Machine Learning mit Python & Scikit Learn (Inhouse)

• Grundlegende Einblicke in das Feld des Maschinellen Lernens:
  • Einführung in das Gebiet des Maschinellen Lernens
  • Erläuterung der Unterschiede zwischen überwachtem und unüberwachtem Lernen
  • Überwindung von Overfitting durch kluge Datasplitting-Strategien (Training vs. Testdaten)
  Basiswissen zur Linearen Regression:
  • Verständnis für den Linearen Regressionsalgorithmus aufbauen
  • Richtige Aufteilung von Daten in Training und Test
  • Praktische Umsetzung der Linearen Regression in Python (mit scikit-learn)
  • Solide Überprüfung der Ergebnisse
  Eintauchen in die Logistische Regression (unter Nutzung von StatsModels):
  • Aufbau des Verständnisses für die Logistische Regression (Entwicklung von linear zu logistisch)
  • Sorgfältige Datenaufteilung für Training und Test
  • Implementierung der Logistischen Regression in Python
  • Kritische Prüfung und Bewertung der Ergebnisse und des Modells (AIC, BIC, Konfusionsmatrix)
  • Erläuterung der Koeffizienteninterpretation (Odds-Ratio)
  • Roc Curve und Fläche unter der Kurve (AUC) im Fokus
  Tiefere Einblicke in den Entscheidungsbaum-Algorithmus:
  • Verständnis für den Entscheidungsbaum-Algorithmus entwickeln
  • Richtige Aufteilung von Daten in Training und Test
  • Konkrete Umsetzung des Entscheidungsbaums in Python (mit scikit-learn)
  • Feintuning der Hyperparameter für optimale Leistung
  • Sorgfältige Validierung der Ergebnisse (Konfusionsmatrix, Genauigkeit)
  • Anwendung des Entscheidungsbaums für Regressionsszenarien
  Ensemble-Methoden und ihre Effektivität:
  • Ein Ensemble aus verschiedenen Algorithmen mit scikit-learn realisieren
  • Random Forest für Klassifikation und Regression nutzen
  • Einsatz von Ada Boost für Klassifikation und Regression verstehen
  • Feintuning der Hyperparameter für optimierte Ergebnisse
  • Akkurate Bewertung der Modellleistung durch gezielte Validierung
  Erkundung weiterer Schlüsselalgorithmen:
  • K-Nearest Neighbor-Verfahren beleuchten
  • Einfaches Neuronales Netz (Multi-Layer Perceptron, MLP) betrachten
  • Direkte Umsetzung der Algorithmen in Python
  • Gründliche Ergebnisüberprüfung und -bewertung
  Optimierung von Hyperparametern und Anwendung von Kreuzvalidierung:
  • Automatisierte Suche nach optimalen Hyperparametern
  • Kreuzvalidierung (Cross-Validation) als Schlüssel zur Modellbewertung
  • Umsetzung dieser Konzepte in scikit-learn
  Erkundung von Clustering-Algorithmen:
  • Basisverständnis für K-Means Clustering und DBScan erlangen
  • Interpretation der Ergebnisse von Clustering-Vorgängen
  • Vergleich der Ergebnisse verschiedener Clustering-Methoden

Das Seminar kombiniert kurze theoretische Impulse mit Live-Demonstrationen in Python mit umfangreichen Hands-on-Übungen. Die Teilnehmer:innen arbeiten direkt in JupyterLab und wenden die Methoden auf realitätsnahe Datensätze an. Die Trainer:innen demonstrieren die Vorgehensweise live, begleiten Sie bei der Bearbeitung der Aufgaben und geben Feedback zu Ihren Lösungen.

DDie Teilnehmer:innen benötigen für die Übungsaufgaben einen Laptop, auf dem Python und die benötigten Bibliotheken ausgeführt werden können. Wir empfehlen Ihnen daher, Ihren eigenen Laptop mit der vorab installierten Software mitzubringen. Eine genaue Installationsanleitung für die Software wird Ihnen vor dem Seminar per E-Mail zugesandt. Auf Anfrage stellen wir auch Schulungslaptops zur Verfügung.Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Seminar online zum Download zur Verfügung gestellt. Sie erhalten vor dem Seminar per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können. Sie sollten sich in firmenfremde WLAN-Netze registrieren können.Als Backup-Lösung ist es hilfreich, wenn der USB-Port Ihres Laptops freigeschaltet ist, damit bei Bedarf Dateien über einen USB-Stick übertragen werden können.Im Seminar wird das Betriebssystem Windows verwendet. Der Umgang mit Ihrem verwendeten Betriebssystem und Laptop sollte bekannt sein. Insbesondere sollten Sie ohne Schwierigkeiten Sonderzeichen auf der Tastatur finden (insbesondere bei Apple Geräten werden auf manchen Tastaturen nicht immer runde, eckige bzw. geschweifte Klammern dargestellt).Hinweis für Online-Schulungen:Für die Online-Teilnahme ist ein stabiler Internetzugang erforderlich. Wir empfehlen Ihnen, mit zwei Bildschirmen zu arbeiten, damit Sie die Präsentation und JupyterLab bzw. die Übungsumgebung parallel im Blick behalten können.

Machine Learning ist ein zentrales Werkzeug moderner Datenanalyse – und gewinnt in nahezu allen Branchen an Bedeutung. In diesem zweitägigen Seminar lernen Sie, wie Sie mit der Programmiersprache Python und der Bibliothek scikit-learn praxisnah Machine-Learning-Modelle entwickeln. Der Fokus liegt auf überwachten Lernverfahren wie linearer und logistischer Regression, Entscheidungsbäumen, Random Forests sowie neuronalen Netzen. Auch Methoden des unüberwachten Lernens wie K-Means und DBSCAN werden behandelt. Sie arbeiten dabei aktiv in JupyterLab und vertiefen Ihr Wissen durch zahlreiche Übungen.Das Seminar findet wahlweise als Präsenzseminar oder als Live Online Training statt und verbindet theoretische Grundlagen des Machine Learning mit umfangreichen praktischen Übungen in Python.Nach dem Seminar sind Sie in der Lage, Machine-Learning-Algorithmen selbstständig anzuwenden, Modelle zu bewerten und Ihre Python-Kenntnisse gezielt für datengetriebene Aufgaben einzusetzen. Sie schaffen damit eine fundierte Grundlage für weiterführende Anwendungen im Bereich Data Science.

Dieses Seminar ist Teil dieses Qualifizierungsplaners:

• Die Schulung richtet sich an Fachkräfte wie Data Scientists, angehende Machine Learning Engineers, Datenanalystinnen und -analysten, Business Intelligence sowie und Data Analystinnen und Analysten, die ihre Python-Kenntnisse im Bereich Data Science und Data Mining vertiefen möchten.
• Besonders geeignet für Personen, die bereits über grundlegende Programmierkenntnisse in Python verfügen und diese erweitern wollen, um Machine Learning mit scikit-learn eigenständig umzusetzen.