Machine Learning in Python

Beschreibung

In diesem Training lernen Sie den Umgang mit den zentralen Machine Learning Verfahren in Python kennen und in Klassifikations- und Regressionsszenarien einzusetzen. Jedes der besprochenen Verfahren wird in dem Training zunächst theoretisch eingeleitet, anschließend in Python umgesetzt und schließlich in einer kleinen Übung durch die Teilnehmer ausprobiert. Inhaltliche Fragestellungen die aufgrund von Beispieldatensätzen formuliert werden, dienen dem Kurs als roter Faden durch die Verfahren.

Neben den Algorithmen versucht das Training einen Eindruck von Machine Learning Prozessen zu vermitteln. D.h., es wird aufgezeigt, welche Schritte notwendig sind um einen Machine Learning Task zu lösen und wie diese konkret umgesetzt werden.

Wer sollte teilnehmen?

Data Scientists, Datenanalysten, Statistiker, Mathematiker, Researcher

Grundlegende Programmiererfahrung in Python sollte vorhanden sein.

Lernziele

  • Einführung in die methodischen Grundlagen des Machine Learnings
  • Einführung in grundlegenden Techniken des Machine Learnings mit Python
  • Eigene Prognoseprobleme mit Python lösen

Inhalte

  • Grundlagen des Machine Learnings / Data Minings
    • Überblick über Modelle und Methoden, Über das Problem der Prognose
    • Supervised vs. Unsupervised Learning
  • Overfitting, Underfitting und Parametertuning – Techniken der Modellerstellung
    • Grundproblem, einfache Kreuzvalidierung, 3 Fold-Technik, k-Fold-Validierung
  • Klassifikationsverfahren
    • Entscheidungsbäume, Random Forest, Gradient Boosting Machines, Neuronale Netze
    • Evaluation von Klassifikationsverfahren (ROC-Kurven, Cutoff-Wert, Präzision, Sensitivität, Spezifität)
  • Regressionsprobleme
    • Lineare Regression, Regression Trees,  Random Forest, Neuronale Netze, regularisierte Regressionen (Ridge Regression, Lasso Regression, Elastic Net), Polynome Regression
    • Evaluation von Regressionsproblemen
  • Clusteranalysen
    • k-Nearest Neighbors, k-Means, Agglomerative Clusteranalyse

Shortfacts

  • Empfohlene Dauer: 2 Tage
  • 2–10 Teilnehmer
  • Kurssprache: Deutsch oder Englisch
  • Preis: Der Tagessatz variiert zwischen Unternehmen und Forschhungseinrichtung. Nehmen Sie Kontakt auf!
  • Training am eigenen Laptop (Softwarevoraussetzungen und Installationsanleitung erhalten Sie im Vorfeld)

Inklusive

  • Teilnehmerzertifikat
  • Umfassende Schulungsunterlagen
  • Veranstaltungsevaluation + Report als PDF

Inhousetraining bei Data-Science-Architect

Prozess

  • Abstimmung der Inhalte
  • Terminfindung
  • Angebotserstellung
  • Online Evaluation der Teilnehmererwartung
  • Ankündigung mit Kursbeschreibung, Softwarevoraussetzung, Installationsanleitung, Timetable & optionaler Möglichkeit zur Vorbereitung
  • Bereitstellung der Kursmaterialien
  • Pro Tag 8×45 Min. Lerneinheiten
  • 30 Min. Open Space pro Tag im Anschluss an die Lerneinheiten
  • Verhältnis von Theorie, Praxis und Übungsphasen nach Absprache
  • Event Evaluation
  • PDF-Report mit Evaluations-Ergebnissen
  • Bereitstellung der im Training erstellten Materialien
  • Feedbackgespräch

Buchung

  • Der 3. Teilnehmer einer Anmeldung nimmt kostenfrei teil
  • Rechnungsstellung erfolgt nach der Veranstaltung