Kurzbeschreibung
Dies ist eine vom Dozenten geleitete Schulung für Scikit-Learn, der Python Bibiliothek / Framework für Machine Learning. Scikit-Learn zählt zu dem am meisten verwendeten Framework für maschinelles Lernen ohne neuronale Netze. Es erlaubt, mit wenigen Zeilen Code sehr komplexe Modelle zu erstellen und anzuwenden. Dabei wird viel Wert auf die Vermittlung von Praxiserfahrung und best practice Erfahrungen gelegt. Das Verhältnis liegt bei 40-50% Wissensvermittlung und 50-60% praktische Übungen und geleitetes Ausprobieren.
Kursziel ist es, den Seminarteilnehmern das notwendige Wissen zu vermitteln, um sehr mächtige, moderne Vorhersagemodelle mit relativ wenig Code-Zeilen zu erstellen und diese produktiv einzusetzen. Schulungsthemen sind Grundlagen zu supervised learning, ausgewählte Werkzeuge, wesentliche Analysetechniken, Support Vektor Maschinen, Datentransformation, Entscheidungsbäume und unsupervised learning. Hierzu gibt es acht praktische Übungseinheiten. Der Kurs behandelt die die theoretischen Aspekte der 3 bis 4 besten Algorithmen in Scikit-Learn im Detail.
Ansonsten liegt der Fokus auf den Grundprinzipien und Werkzeugen von Scikit-Learn,
Der Schulungsumfang ist grundsätzlich auf 5 Tage ausgerichtet. Je nach Bedarf kann eine Schulung sinnvoll auf bis zu 3 Tage reduziert werden.
Voraussetzungen
• praktische Erfahrungen in der Programmierung mit Python
• mathematisches Verständnis zur linearen Algebra und Differnzialrechnung (Matrizen- und Vektorrechnung), wie es in gängigen naturwissenschaftlichen Studiengängen im ersten Semester vermittelt wird.
Seminarinhalt
Supervised Learning - Grundlagen:
• Lineare Regression
• Messen der Qualität eines Vorhersagemodells.
• Die sklearn.model_selection.train_test_split() Routine.
• Methoden, um die relevanten Features zu finden.
• Visualisierung der Interaktion von Variablen mit seaborn.
• Hauptmethoden von sklearn Predictor Instanzen.
• Qualitätsmessung mit der cross_val_score() Funktion.
• Logistische Regression.
Supervised Learning - wichtige Tools:
• sklearn.preprocessing.LabelEncoder
• Predictors and Transformers interagieren mit Pandas.
• Qualitäts-Metriken für Modelle.
• Visualisierung der learning-curve.
Supervised Learning - wichtige Analysetechniken:
• Regularisierung, um Overfitting zu vermeiden.
• Evaluierung von Klassifikationsmodellen.
• Visualisierung der Qualität von Klassifikationsmodellen.
• Feature Engineering.
Support-Vektor-Maschinen:
• Support-Vektor-Classifiers.
• sklearn.svm package's SVC Predictors
• Support-Vektor-Regression.
• Wie man gute Modell-Parameter findet.
Daten transformieren, um Vorhersage-Modelle zu verbessern:
• Principal Components Transformer
• Space Density Transformer
• Pipelines
• Nicht-numerische in numerische Daten transformieren.
• Scikit-Learn Transformers
• Das Modul to_numeric_frame
Entscheidungsbäume, Random Forests, GradientBoost:
• Entscheidungsbäume für Klassifikation
• Entscheidungsbäume für Regression
• RandomForrest
• GradientBoost und andere Ensemble-Methoden.
• ScikitLearn-Modelle speichern und wieder laden.
Unsupervised Learning:
• Clustering
• k-means-clustering
• Die Elbow-Methode
• Mean shift clustering
Zielgruppen
Diese Schulung zu Scikit-Learn richtet sich an Ingenieure, Wirtschaftswissenschaftler z.B. für Versicherungen und Banken,
Marketing-Experten, Berater, die Algorithmen des maschinellen Lernens für Software verwenden wollen,
die von Daten selbständig lernt und dann im laufenden Betrieb autonom agiert.
Preise und Termine
Software
Geschult wird grundsätzlich auf der aktuellesten Version von Scikit-Learn machine learning in python, die für einen produktiven Betrieb eingesetzt werden kann. Sofern gewünscht kann auch auf anderen Versionen geschult werden.
benötigte Raumausstattung beim Kunden
Technologieausstattung für das Präsenztraining
• aktueller internetfähiger Büro PC / Laptop pro Schulungsteilnehmer
• Moderner Web Browser
• Leistungsfähiges WLAN / LAN Internetverbindung
Technologieausstattung des Teilnehmers bei Online Seminar als Virtual Classroom Training
• aktueller internetfähiger Büro PC / Laptop
• Moderner Web Browser
• gängiger Videokonferenz-Client
• Webcam
• Mikrofon
Seminarsprache
die Seminarsprache ist deutsch, sofern keine andere Angabe. Englisch ist in aller Regel machbar, andere Seminarsprachen sind möglich, fragen Sie bitte an.