Schulungsübersicht

    Einführung in maschinelles Lernen Arten von maschinellem Lernen – überwachtes vs. unüberwachtes Lernen Vom statistischen Lernen zum maschinellen Lernen Der Data-Mining-Workflow: Geschäftsverständnis Datenverständnis Datenaufbereitung Modellierung Bewertung Bereitstellung Algorithmen für maschinelles Lernen Auswahl des geeigneten Algorithmus für das Problem Überanpassung und Kompromiss zwischen Bias und Varianz in ML ML Bibliotheken und Programmiersprachen Warum eine Programmiersprache verwenden? Zwischen R und Python wählen. Python-Crashkurs. Python-Ressourcen. Python-Bibliotheken für maschinelles Lernen. ME, MSE, RMSE, MAPE Parameter- und Vorhersagestabilität Bewertung von Klassifizierungsalgorithmen Genauigkeit und ihre Probleme Die Verwirrungsmatrix Problem der unausgeglichenen Klassen Visualisierung der Modellleistung Gewinnkurve ROC-Kurve Liftkurve Modellauswahl Modelloptimierung – Rastersuchstrategien Beispiele in Python Datenvorbereitung Datenimport und -speicherung Verstehen Sie die Daten – grundlegende Erkundungen. Datenmanipulationen mit der Pandas-Bibliothek. Datentransformationen – Daten-Wrangling. Explorative Analyse. Fehlende Beobachtungen – Erkennung und Lösungen Diskriminanzfunktionen Quadratische Diskriminanzfunktionen Logistische Regression und Wahrscheinlichkeitsansatz k-nächste Nachbarn Naive Bayes-Entscheidungsbäume CART Bagging Random Forests Boosting Xgboost Support Vector Machines und Kernel Maximal Margin Classifier Support Vector Machine Ensemble-Lernen Beispiele in Python Regression und numerische Vorhersage Schätzung der kleinsten Quadrate Variablen Auswahltechniken Regularisierung und Stabilität – L1, L2 Nichtlinearitäten und verallgemeinerte kleinste Quadrate Polynomregression Regressionssplines Regressionsbäume Beispiele in Python Unüberwachtes Lernen Clustering Zentroidbasiertes Clustering – k-means, k-medoids, PAM, CLARA Hierarchisches Clustering – Diana, Agnes-Modell- Basierendes Clustering – EM Selbstorganisierende Karten Clusterbewertung und -bewertung Dimensionsreduktion Hauptkomponentenanalyse und Faktoranalyse Singularwertzerlegung Beispiele für mehrdimensionale Skalierung in Python Text-Mining Vorverarbeitung von Daten Das Bag-of-Words-Modell Stemming und Lemmisierung Analysieren von Worthäufigkeiten Sentimentanalyse Erstellen von Wortwolken Beispiele in Python Empfehlungs-Engines und kollaborative Filterung Empfehlungsdaten Benutzerbasierte kollaborative Filterung Elementbasierte kollaborative Filterung Beispiele in Python Assoziationsmuster-Mining Häufige Itemsets-Algorithmus Warenkorbanalyse Beispiele in Python Ausreißeranalyse Extremwertanalyse Entfernungsbasierte Ausreißererkennung Dichtebasierte Methoden Hoch- Erkennung dimensionaler Ausreißer Beispiele in Python Machine Learning-Fallstudie Verständnis von Geschäftsproblemen Datenvorverarbeitung Algorithmenauswahl und -optimierung Auswertung der Ergebnisse Bereitstellung

 

 

Voraussetzungen

Kenntnis und Bewusstsein für Machine Learning Grundlagen

  21 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Erfahrungsberichte (3)

Kombinierte Kurse

Verwandte Kategorien