Schulungsübersicht
Einführung
Dieser Abschnitt bietet eine allgemeine Einführung in die Frage, wann maschinelles Lernen eingesetzt werden sollte, was dabei zu beachten ist und was dies alles bedeutet, einschließlich der Vor- und Nachteile. Datentypen (strukturiert/unstrukturiert/statisch/gestreamt), Datenvalidität/-volumen, datengesteuerte vs. nutzergesteuerte Analysen, statistische Modelle vs. Modelle des maschinellen Lernens/ Herausforderungen des unüberwachten Lernens, Bias-Varianz-Kompromiss, Iteration/Evaluierung, Kreuzvalidierungsansätze, überwacht/unüberwacht/Verstärkung.
HAUPTTHEMEN.
1. Verständnis von Naive Bayes
- Basisbegriffe der bayesianischen Methoden
- Wahrscheinlichkeit
- Kombinierte Wahrscheinlichkeit
- Bedingte Wahrscheinlichkeit mit dem Satz von Bayes
- Der Naive-Bayes-Algorithmus
- Die naive Bayes-Klassifizierung
- Der Laplace-Schätzer
- Nutzung numerischer Merkmale bei Naive Bayes
2. Verständnis von Entscheidungsbäumen
- Trennen und Erobern
- Der C5.0-Entscheidungsbaumalgorithmus
- Auswahl der besten Teilung
- Beschränken des Entscheidungsbaums
3. Neuronale Netze verstehen
- Von biologischen zu künstlichen Neuronen
- Aktivierungsfunktionen
- Netztopologie
- Anzahl der Schichten
- Richtung des Informationsflusses
- Anzahl der Knoten in jeder Schicht
- Ausbildung von neuronalen Netzen mit Rückwärtsverbreitung
- Deep Learning
4. Verstehen von Support-Vektor-Maschinen
- Klassifizierung mit Hyperebenen
- Aufspüren des größten Abstands (Margin)
- Fall linear separabler Daten
- Fall nicht-linear separabler Daten
- Nutzung von Kernen für nicht-lineare Räume
5. Clustering verstehen
- Clustering als maschinelles Lerneprozess
- Der k-Means-Algorithmus für Clustering
- Nutzung von Distanzen zur Zuweisung und Aktualisierung von Clustern
- Auswahl der passenden Anzahl von Clustern
6. Leistungsmessung für die Klassifizierung
- Arbeiten mit Vorherschendaten in der Klassifikation
- Einen genauen Blick auf Verwirrungsmatrizen werfen
- Nutzung von Verwirrungsmatrizen zur Leistungsbeurteilung
- Jenseits der Genauigkeit – andere Leistungsmessungen
- Die Kappa-Statistik
- Sensitivität und Spezifität
- Precision und Recall
- Das F-Maß
- Visualisierung von Leistungsabwägungen
- ROC-Kurven
- Abschätzung zukünftiger Leistung
- Die Holdout-Methode
- Kreuzvalidierung
- Bootstrap Sampling
7. Tuning von Serienmodellen für bessere Leistung
- Nutzung von caret für automatisches Parameter-Tuning
- Erstellen eines einfachen getunten Modells
- Anpassung des Tuning-Prozesses
- Verschärfung der Modellleistung durch Meta-Lernen
- Verständnis von Ensembles
- Bagging
- Boosting
- Zufallswälder
- Ausbildung von Zufallswäldern
- Bewertung der Leistung von Zufallswäldern
KLEINERE THEMEN
8. Verständnis der Klassifizierung mit Hilfe der nächsten Nachbarn
- Der kNN-Algorithmus
- Berechnung von Distanzen
- Auswahl einer passenden k
- Vorbereitung der Daten für die Nutzung mit kNN
- Warum ist der kNN-Algorithmus faul?
9. Verständnis der Klassifizierungsregeln
- Trennen und erobern
- Der One Rule Algorithmus
- Der RIPPER-Algorithmus
- Regeln aus Entscheidungsbäumen
10. Verständnis der Regression
- Einfache lineare Regression
- Ordinäre kleinste Quadrate-Schätzung
- Korrelationen
- Mehrere lineare Regressionen
11. Verständnis von Regressions- und Modellbäumen
- Hinzufügen der Regression zu Bäumen
12. Verstehen von Assoziationsregeln
- Der Apriori-Algorithmus für die Lernprozesse von Assoziationsregeln
- Messung der Regelinteresse – Unterstützung und Zuverlässigkeit
- Aufbau einer Regelmenge mit dem Prinzip des Apriori
Extras
- Spark/PySpark/MLlib und Multi-Armed Bandits
Voraussetzungen
Python Kenntnisse
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
