Beschreibung
Machine Learning Algorithmen mit scikit-learn (Python)
Dieser Kurs ist für Teilnehmende konzipiert, 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.Neben dem Paket scikit-learn (in Python der Standard für Machine Learning Verfahren) wird mit JupyterLab gearbeitet, welches eine beliebte Entwicklungsumgebung in der Datenanalyse/Data Science ist.
Ein grundlegendes Ziel des Kurses ist, dass Teilnehmende anhand der eingeübten Problemstellungen und Algorithmen das Konzept von Machine Learning und scikit-learn verinnerlicht haben. Dies ermöglicht, dass Sie Ihr Wissen selbstständig nach dem Seminar erweitern, auf eigene Daten/Fragestellungen anwenden und weitere Aspekte von scikit-learn sich aneignen können.
Kommende Starttermine
Wählen Sie aus 10 verfügbaren Startterminen
Inhalte / Module
- 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
Zielgruppe / Voraussetzungen
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.
Anzeige