Machine Learning mit Python & Scikit Learn (Live Online Training) - Webinar von Cegos Integrata GmbH

• 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)

• 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

• 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

• 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

• 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

• K-Nearest Neighbor-Verfahren beleuchten
• Einfaches Neuronales Netz (Multi-Layer Perceptron, MLP) betrachten
• Direkte Umsetzung der Algorithmen in Python
• Gründliche Ergebnisüberprüfung und -bewertung

• Automatisierte Suche nach optimalen Hyperparametern
• Kreuzvalidierung (Cross-Validation) als Schlüssel zur Modellbewertung
• Umsetzung dieser Konzepte in scikit-learn

• Basisverständnis für K-Means Clustering und DBScan erlangen
• Interpretation der Ergebnisse von Clustering-Vorgängen
• Vergleich der Ergebnisse verschiedener Clustering-Methoden

Das Seminar legt großen Wert auf Praxisorientierung. Die Teilnehmer haben die Möglichkeit, direkt und eigenständig mit der Programmiersprache Python in der Entwicklungsumgebung Spyder zu arbeiten. Dadurch können sie das Gelernte sofort in Übungen anwenden und vertiefen. Der Trainer unterstützt die Teilnehmer dabei, indem er verschiedene Aufgaben moderiert und sie durch die einzelnen Lehreinheiten begleitet.

Der Kurs "Grundlagen des Maschinellen Lernens mit scikit-learn und Python" behandelt in einem zweitägigen Seminar die Konzepte des überwachten und unüberwachten Lernens mit Hilfe des Python Moduls scikit-learn.Es wird vorausgesetzt, dass die Teilnehmer grundlegende Kenntnisse in Python besitzen.Der Kurs vermittelt Ihnen die Grundlagen des Machine Learning und zeigt Ihnen, wie Sie Machine Learning mit Python und der Bibliothek scikit-learn umsetzen können. Machine Learning ist eine wichtige Algorithmenklasse der Künstlichen Intelligenz und umfasst sowohl supervised learning als auch unsupervised learning.Wir werden uns auf supervised learning konzentrieren, bei dem Algorithmen mit gelabelten Daten trainiert werden, um bestimmte Aufgaben zu erlernen. Beispiele für supervised learning sind die Klassifikation von Fehlern in Bauteilen oder die Vorhersage des Umsatzes eines Kunden.Unsupervised learning hingegen benötigt keine gelabelten Daten, sondern versucht, Muster oder Gruppen in den vorhandenen Daten zu erkennen. Dies kann zum Beispiel für die Kundengruppierung verwendet werden.Der Kurs verwendet die Programmiersprache Python, die sowohl im Machine Learning als auch im Deep Learning weit verbreitet ist. Die Bibliothek scikit-learn bietet zahlreiche Algorithmen, die das Lernen von Machine Learning erleichtern.Wir werden hauptsächlich das Python-Modul scikit-learn verwenden, um die Algorithmen im Machine Learning zu lernen und zu programmieren. Das Modul StatsModels wird auch für die logistische Regression verwendet, um einen Einblick in eine weitere bekannte Bibliothek für Machine Learning zu erhalten.Der Fokus des Kurses liegt auf supervised learning. Wir werden verschiedene Algorithmen theoretisch erläutern und praktisch in Python programmieren, darunter Lineare Regression, logistische Regression, Entscheidungsbaum, Ensemble-Methoden (Random-Forest und AdaBoost), K-Nearest Neighbor und Neuronale Netze (Multi-Layer Perceptron, MLP).Wir werden auch das Konzept des Daten-Splittings in Trainings- und Testdaten sowie die Kreuzvalidierung erläutern, um Overfitting zu erkennen. Darüber hinaus werden wir die Hyperparametersuche und die wichtigsten Metriken zur Bestimmung der Algorithmusgüte kennenlernen.Im unsupervised learning werden wir uns mit dem Clustering-Algorithmus K-means und DBSCAN befassen.Nach diesem Kurs werden Sie die Grundlagen von scikit-learn und Machine Learning gelernt haben und in der Lage sein, erste Aufgaben eigenständig zu bearbeiten. Sie werden auch die Fähigkeit haben, Ihre Programmierkenntnisse in Python zu erweitern, um weitere Algorithmen aus scikit-learn umzusetzen.