Maschinelles Lernen und prädiktive Analyse mit Python Schulung

Einführung in das maschinelle Lernen

• Arten des maschinellen Lernens – überwachtes versus unüberwachtes Lernen
• Von der statistischen Analyse zum maschinellen Lernen
• Der Arbeitsablauf beim Data Mining: Geschäftsverständnis, Datenaufbereitung, Modellierung und Implementierung
• Auswahl des geeigneten Algorithmus für die jeweilige Aufgabe
• Überanpassung sowie das Verhältnis zwischen Bias und Varianz

Übersicht über Python und ML-Bibliotheken

• Warum Programmiersprachen im maschinellen Lernen eingesetzt werden
• Vergleich zwischen R und Python
• Einführungskurs in Python sowie die Verwendung von Jupyter Notebooks
• Wichtige Python-Bibliotheken: pandas, NumPy, scikit-learn, matplotlib, seaborn

Testen und Bewerten von ML-Algorithmen

• Generalisierung, Überanpassung sowie Validierung der Modelle
• Evaluationsstrategien: holdout-Verfahren, Kreuzvalidierung, Bootstrap-Methode
• Bewertungsmaße für Regressionsaufgaben: ME, MSE, RMSE, MAPE
• Bewertungsmaße für Klassifikationsprobleme: Genauigkeit, Konfusionsmatrix sowie Umgang mit ungleich verteilten Klassen
• Visualisierung der Modellleistung: Gewinnkurve, ROC-Kurve, Lift-Kurve
• Auswahl geeigneter Modelle sowie Optimierung mittels Grid Search

Datenaufbereitung

• Import und Speicherung von Daten in Python
• Explorative Datenanalyse sowie Berechnung von Zusammenfassungsstatistiken
• Umgang mit fehlenden Werten und Ausreißern
• Standardisierung, Normalisierung und Transformation der Daten
• Kodierung qualitativer Variablen sowie Aufbereitung von Daten mithilfe von pandas

Klassifikationsalgorithmen

• Binäre vs. mehrklassige Klassifikation
• Logistische Regression und diskriminierende Funktionen
• Naive Bayes, k-neächste Nachbarn
• Entscheidungsbäume: CART, Random Forests, Bagging, Boosting sowie XGBoost
• Support-Vektor-Maschinen und deren Kernelfunktionen
• Ensemble-Lernmethoden zur Verbesserung der Modellqualität

Regression und numerische Vorhersage

• Methode der kleinsten Quadrate sowie Auswahl relevanter Variablen
• Regularisierungsverfahren: L1- und L2-Regularisierung
• Polynomregression sowie nichtlineare Modellansätze
• Regressionsbäume sowie Splines als Alternative zur linearen Regression

Neuronale Netze

• Einführung in neuronale Netze und Deep Learning
• Aktivierungsfunktionen, Netzschichten sowie das Prinzip der Backpropagation
• Multilayer Perceptrons (MLP)
• Grundlagen des neuronalen Netzdesigns mittels TensorFlow oder PyTorch
• Einsatz von neuronalen Netzen für Klassifikations- und Regressionsaufgaben

Verkaufsprognose und prädiktive Analyse

• Zeitreihenanalyse im Vergleich zu regressionsbasierten Vorhersageansätzen
• Umgang mit saisonalen Schwankungen sowie trendspezifischen Mustern in den Daten
• Entwicklung eines Modells zur Prognose von Verkaufszahlen mittels maschinellem Lernen
• Bewertung der Vorhersagegenauigkeit sowie Abschätzung der Unsicherheiten
• Interpretation und Kommunikation der Ergebnisse im geschäftlichen Kontext

Unüberwachtes Lernen

• Clustering-Methoden: k-Means, k-Medoids, hierarchisches Clustering sowie SOMs
• Reduktion der Dimensionalität: PCA, Faktorenanalyse, SVD
• Multidimensionale Skalierung zur Visualisierung komplexer Datenstrukturen

Textanalyse und Textminierung

• Vorverarbeitung von Textdaten sowie Tokenisierung
• Verfahren wie Bag-of-Words, Stammformreduktion sowie Lemmatisierung
• Sentimentanalyse sowie Analyse der Worthäufigkeiten
• Visualisierung von Textdaten durch Word Clouds

Empfehlungssysteme

• Kooperative Filterverfahren auf Basis von Benutzern oder Produkten
• Entwicklung und Evaluation leistungsstarker Empfehlungssysteme

Assoziationsregelmäßigkeiten erkennen

• Identifikation häufiger Elementkombinationen mittels des Apriori-Algorithmus
• Marktanalyse anhand von Einkaufsmustern sowie Bestimmung des Lift-Ratio

Ausreißerdetektion

• Analyse extremer Werte in Datensätzen
• Distanz- sowie dichtebasierte Ansätze zur Erkennung von Anomalien
• Spezielle Methoden für die Ausreißerdetektion in hochdimensionalen Datenräumen

Praktisches Fallbeispiel zum maschinellen Lernen

• Analyse des konkreten Geschäftsproblems im Vorfeld der Modellierung
• Aufbereitung sowie Merkmalsextraktion aus den vorliegenden Daten
• Auswahl geeigneter Modelle und deren Parameteroptimierung
• Bewertung der Modellergebnisse sowie prägnante Darstellung der Erkenntnisse
• Finale Implementierung des entwickelten Modells in die Praxis

Zusammenfassung und weitere Entwicklungsmöglichkeiten