Kurs Machine Learning Kurs mit Python & scikit learn

Dieser zweitägige Machine Learning Kurs erklärt, wie Sie Machine Learning mit Python und der Bibliothek scikit-learn umsetzen können. Machine Learning (ML) ist eine wesentliche Algorithmen Klasse der Künstlichen Intelligenz. In der Schulung lernen Sie die zwei Bereiche von Machine Learning: supervised learning und unsupervised learning (überwachtes Lernen und unüberwachtes Lernen).

Im Kurs behandeln wir Supervised Learning, wobei diese Algorithmen auf (meist vom Menschen) gelabelte Daten trainiert werden, um gewisse “Aufgaben” zu erlernen. Bei gelabelten Daten gibt man dem Algorithmus die Zielvariable mit, die dieser erlernen soll. Beispiele hierfür sind die Klassifikation, welchen Fehler ein Bauteil aufweist oder die Vorhersage, wie viel Umsatz ein Kunde voraussichtlich generiert.

Unsupervised Algorithmen dagegen benötigen keine gelabelte Daten, sondern versuchen in den vorhandenen Daten beispielsweise Gruppen oder Muster zu erkennen, z.B. zur Kundengruppierung (verschiedene Kunden können dann anders im Marketing behandelt werden). Unsupervised Learning liefert Hinweise, welche Muster in Daten vorhanden sein könnten – es werden jedoch keine vorgegebenen Muster (wie Bauteil defekt – nicht defekt) erlernt.

Die in diesem Maschinelles Lernen Python Kurs verwendete Programmiersprache Python ist sowohl im Machine Learning (als auch im Deep Learning) sehr verbreitet. Das Modul scikit-learn umfasst zahlreiche Algorithmen, die dem Teilnehmer das Machine Learning Lernen erleichtern.

Was lernen Sie in der Machine Learning Schulung?

Damit Sie leicht die Algorithmen im Machine Learning lernen und programmieren können, benutzen wir hauptsächlich das Python Modul scikit-learn. 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 dieser Schulung liegt auf supervised Algorithmen. Hierbei werden mehrere Maschinelle Lernen Algorithmen theoretisch erläutert und praktisch in Python programmiert: Lineare Regression, logistische Regression, Entscheidungsbaum, Ensemble-Methoden (Random-Forest und AdaBoost), K-Nearest Neighbor und Neuronale Netze (Multi-Layer Perceptron, MLP).

Das Splitting der Daten in Trainings und Test Daten und Cross Validation (Kreuzvalidierung) werden erläutert (beides Konzepte zum Erkennen von Overfitting). Zudem lernen Sie die Hyperparametersuche und die wichtigsten Metriken zur Bestimmung der Algorithmusgüte.

Im unsupervised Learning wird das Clustering mit dem K-means Algorithmus und DBSCAN behandelt.

Nach diesem Machine Learning Seminar haben Sie die wichtigsten Aspekte von scikit-learn und die Machine Learning Grundlagen gelernt und können selbständig erste Aufgaben damit bearbeiten. Zudem haben Sie die Fähigkeit, Ihre Programmierkenntnisse in Python selbständig zu erweitern, um weitere Algorithmen aus scikit-learn umzusetzen.

Dieses Training findet in Kooperation mit Enable AI statt.