Schulungsübersicht
Einführung
Dieser Abschnitt bietet eine allgemeine Einführung in die Frage, wann 'Machine Learning' eingesetzt werden sollte, welche Faktoren zu berücksichtigen sind und was dies alles bedeutet, einschließlich der Vor- und Nachteile. Themen wie Datentypen (strukturiert/unstrukturiert/statisch/gestreamt), Datenintegrität/Datenmenge, datengetriebene versus nutzergetriebene Analysen, statistische Modelle vs. Machine-Learning-Modelle/Herausforderungen des unüberwachten Lernens, Bias-Variance-Trade-off, Iteration/Auswertung, Kreuzvalidierungsansätze sowie überwachtes, unüberwachtes und bestärkendes Lernen werden behandelt.
WICHTIGSTE THEMEN
1. Verständnis von Naive Bayes
- Grundkonzepte der Bayes'schen Methoden
- Wahrscheinlichkeit
- Gemeinsame Wahrscheinlichkeit
- Bedingte Wahrscheinlichkeit mit dem Satz von Bayes
- Der Naive-Bayes-Algorithmus
- Die Naive-Bayes-Klassifizierung
- Der Laplace-Schätzer
- Verwendung numerischer Merkmale mit Naive Bayes
2. Verständnis von Entscheidungsbäumen
- Divide and Conquer (Teile und Herrsche)
- Der C5.0-Entscheidungsbaum-Algorithmus
- Auswahl der besten Aufteilung
- Verkleinerung (Pruning) des Entscheidungsbaums
3. Verständnis von neuronalen Netzen
- Von biologischen zu künstlichen Neuronen
- Aktivierungsfunktionen
- Netztopologie
- Die Anzahl der Ebenen
- Die Richtung der Informationsflüsse
- Die Anzahl der Knoten in jeder Ebene
- Training neuronaler Netze mit Backpropagation
- Deep Learning
4. Verständnis von Support Vector Machines
- Klassifizierung mit Hyperflächen
- Feststellung des maximalen Margins
- Fall von linear trennbaren Daten
- Fall von nicht linear trennbaren Daten
- Verwendung von Kerneln für nichtlineare Räume
5. Verständnis von Clustering
- Clustering als Machine-Learning-Aufgabe
- Der k-means-Algorithmus für Clustering
- Verwendung von Distanzen zur Zuweisung und Aktualisierung von Clustern
- Auswahl der geeigneten Anzahl von Clustern
6. Messung der Leistung bei der Klassifizierung
- Arbeit mit Klassifizierungsvorhersagedaten
- Näherer Blick auf Verwechslungsmatrizen
- Verwendung von Verwechslungsmatrizen zur Leistungsmessung
- Jenseits der Genauigkeit – andere Leistungsmaße
- Die Kappa-Statistik
- Sensitivität und Spezifität
- Präzision und Recall
- Die F-Maßzahl
- Visualisierung von Leistungszugeständnissen
- ROC-Kurven
- Schätzung zukünftiger Leistung
- Die Holdout-Methode
- Kreuzvalidierung
- Bootstrap-Stichproben
7. Optimierung von Standardmodellen für bessere Leistung
- Verwendung von caret für die automatisierte Parameteroptimierung
- Erstellung eines einfachen optimierten Modells
- Anpassung des Optimierungsvorgangs
- Verbesserung der Modellleistung durch Meta-Learning
- Verständnis von Ensembles
- Bagging
- Boosting
- Zufällige Wälder (Random Forests)
- Training von Random Forests
- Bewertung der Leistung von Random Forests
WENIGER WICHTIGE THEMEN
8. Verständnis der Klassifizierung mit der Nächsten-Nachbar-Methode
- Der kNN-Algorithmus
- Berechnung der Distanz
- Auswahl eines geeigneten k
- Vorbereitung der Daten für die Verwendung mit kNN
- Warum ist der kNN-Algorithmus 'lazy' (träge)?
9. Verständnis von Klassifizierungsregeln
- Trenne und herrsche (Separate and conquer)
- Der One-Rule-Algorithmus
- Der RIPPER-Algorithmus
- Regeln aus Entscheidungsbäumen
10. Verständnis von Regression
- Einfache lineare Regression
- Ordinary Least Squares (OLS)-Schätzung
- Korrelationen
- Multiple lineare Regression
11. Verständnis von Regressionsbäumen und Modellbäumen
- Hinzufügen von Regression zu Bäumen
12. Verständnis von Assoziationsregeln
- Der Apriori-Algorithmus für das Lernen von Assoziationsregeln
- Messung des Regelinteresses – Support und Konfidenz
- Aufbau eines Regelwerks mit dem Apriori-Prinzip
Zusätze
- Spark/PySpark/MLlib und Multi-Armed-Bandits
Voraussetzungen
Kenntnisse in Python
Erfahrungsberichte (7)
Ich habe das Training sehr genossen und schätze die tiefgehende Auseinandersetzung mit dem Thema Maschinelles Lernen. Das Gleichgewicht zwischen Theorie und praktischen Anwendungen, insbesondere die praktischen Programmierübungen, hat mir besonders gefallen. Der Trainer präsentierte ansprechende Beispiele und gut durchdachte Übungen, die das Lerngefühl verbesserten. Der Kurs behandelte eine breite Palette von Themen, und Abhi zeigte ausgezeichnetes Fachwissen, indem er alle Fragen klar und leicht verständlich beantwortete.
Valentina
Kurs - Machine Learning
Maschinelle Übersetzung
Ich schätze das Übung, die mir half, die Theorie zu verstehen und Schritt für Schritt anzuwenden. Auch die Art und Weise, wie der Trainer alles einfach und klar erklärte, war sehr hilfreich. Es war leicht zu folgen, obwohl ich nicht sehr erfahren bin im Umgang mit Python. Dennoch wollte ich keine Gelegenheit verpassen, etwas zu lernen, das mich wirklich interessiert. Ich schätze auch die Vielfalt der bereitgestellten Informationen und die Bereitschaft des Trainers, uns bei der Verständnis der Konzepte zu erklären und zu unterstützen. Nach diesem Kurs sind mir die Konzepte des Maschinellen Lernens viel klarer geworden, und ich fühle mich nun, als hätte ich eine Richtung und ein besseres Verständnis des Themas.
Cristina
Kurs - Machine Learning
Maschinelle Übersetzung
Am Ende des Trainings konnte ich die praktischen Anwendungsbeispiele der vorgestellten Themen erkennen.
Daniel
Kurs - Machine Learning
Maschinelle Übersetzung
Mir hat das Tempo gefallen, der gute Ausgleich zwischen Theorie und Praxis, die behandelten Hauptthemen und die Art, wie der Trainer alles gut abgewogen hat. Ich schätze auch sehr Ihre Trainingsinfrastruktur, mit den VMs ist sehr praktisch zu arbeiten.
Andrei
Kurs - Machine Learning
Maschinelle Übersetzung
Kurz und prägnant. Erstellung von Intuition und visuellen Modellen zu den Konzepten (Entscheidungsbaum-Graph, lineare Gleichungen, manuelles Berechnen von y_pred, um das Funktionieren des Modells zu veranschaulichen).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Es half mir, mein Ziel zu erreichen, das Maschinelles Lernen zu verstehen. Ich habe viel Respekt vor Pablo für die gründliche Einführung in dieses Thema, da nach drei Tagen Training klar wird, wie umfangreich dieses Gebiet ist. Ich habe auch die Idee der virtuellen Maschinen sehr geschätzt, die du bereitgestellt hast und die eine sehr gute Latenz aufwiesen! Dadurch konnte jeder Kursteilnehmer im eigenen Tempo Experimente durchführen.
Silviu - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Die praktische Umsetzung der Theorie ist großartig, da man sieht, wie sich die theoretischen Inhalte in etwas Praktisches verwandeln.
Lisa Fekade - Vodacom
Kurs - Machine Learning
Maschinelle Übersetzung
