Machine Learning Algorithmen mit scikit-learn (Python) - Seminar / Kurs von GFU Cyrus AG
Inhalte
- Grundlagen vom Maschinellen Lernen
- Unterscheidung Supervised - Unsupervised Learning (überwachtes - unüberwachtes Lernen)
- Overfitting (Überanpassung), Aufteilung der Daten in Training vs. Testdaten
- Datenhandling und Visualisierung
- Daten mit dem Paket pandas einlesen
- Daten auswählen und modifizieren
- Daten visualisieren mit dem Paket seaborn
- Supervised Learning Verfahren
- Erklärung der Algorithmen, praktische Umsetzung in scikit-learn, Praxistipps
- Lineare Regression
- Logistische Regression (mit dem Paket statsmodels)
- Entscheidungsbaum
- Ensemble Methoden (Random Forest, AdaBoost)
- Support Vector Machine
- K-Nearest Neighbor
- Multi-Layer Perceptron (MLP, ein einfaches Neuronales Netz)
- Validierung und Interpretation der supervised Ergebnisse
- Metriken, um die Vorhersagegüte bei Regression und Klassifikation zu bestimmen
- Erklärung und Interpretation der Metriken
- Umsetzung in scikit-learn
- Klassifikation: Accuracy, True Positive Rate, True Negative Rate, Precision, Recall, confusion matrix, ROC Score, AUC
- Regression: MSE (mean squared error), MAE (mean absolute error)
- Unsupervised Learning Verfahren
- K-means Clustering und DBSCAN
- Cluster-Ergebnisse anhand von Metriken einschätzen und interpretieren
- Vergleich von Cluster-Ergebnissen über verschiedene Algorithmen hinweg
- Machine Learning - Anwendungen für die Praxis
- Hyperparameter bei den Algorithmen setzen
- Semi-automatische Hyperparametersuche bei Algorithmen (Hyperparameter Tuning)
- Kreuzvalidierung
- Grundlagen vom Maschinellen Lernen
- Unterscheidung Supervised - Unsupervised Learning (überwachtes - unüberwachtes Lernen)
- Overfitting (Überanpassung), Aufteilung der Daten in Training vs. Testdaten ...
Lernziele
Entlang des Kurses werden die notwendigen Hintergründe mit dem Ziel gelernt, das Wissen in Selbstlernphasen praktisch einzusetzen. Etwa 50% des Kurses sind Übungsphasen, in denen mit Unterstützung des Dozenten Schwierigkeiten und typische Probleme gelöst werden. Dies ermöglicht, das Gelernte nach dem Seminar direkt im Unternehmen einzusetzen.
Der Einstieg erfolgt mit einem kurzen Abriss in die Grundlagen zum Paket pandas und seaborn. Pandas ermöglicht das einfache Einlesen von tabellarischen Daten, z.B. aus einer csv oder Excel Datei. Mögliche Problemstellungen beim Einlesen für die Praxis werden hierbei erörtert. Das Paket seaborn ist eines der beliebtesten Bibliotheken zum Visualisieren/Plotten von Ergebnissen. Grundlagen ermöglichen hier, Ergebnisse der ML Auswertungen ansprechend anhand einer Grafik in einer Präsentation zu kommunizieren.
Anhand vieler Übungsaufgaben begegnen die Teilnehmer üblichen Praxisschwierigkeiten bei der Umsetzung, so dass der Übertrag auf eigene Daten im Unternehmen nach der Schulung leichter fällt.
Entlang des Kurses werden die notwendigen Hintergründe mit dem Ziel gelernt, das Wissen in Selbstlernphasen praktisch einzusetzen. Etwa 50% des Kurses sind Übungsphasen, in denen mit Unterstützung ... Mehr Informationen >>
Zielgruppen
Teilnehmer welche über Grundlagen von Python verfügen und Machine Learning Algorithmen bei typischen Problemen aus der industriellen Praxis für tabellarische Daten (z.B. Messdaten, csv Dateien, Excel Dateien) einsetzen möchten. Der Fokus liegt auf der praktischen Anwendung und dem Lösen von Übungsaufgaben zur Vertiefung.
Teilnehmer welche über Grundlagen von Python verfügen und Machine Learning Algorithmen bei typischen Problemen aus der industriellen Praxis für tabellarische Daten (z.B. Messdaten, csv Dateien, Exc ... Mehr Informationen >>