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
Erfahrungsberichte (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Kurs - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Kurs - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback