Schulung - Machine Learning mit Python & Scikit Learn

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.