Machine Learning für Einsteiger: Schritt für Schritt zum eigenen Modell
Seminar - GFU Cyrus AG
Nach dem Seminar können Sie einen Beispieldatensatz mit Python vorbereiten und einfache Machine-Learning-Modelle erstellen, trainieren und bewerten. Sie können Trainings- und Testdaten trennen, die Bewertung mit Kreuzvalidierung einordnen und passende Kennzahlen für Klassifikation und Regression auswählen. Sie kennen grundlegende Möglichkeiten zur Bereitstellung, Überwachung und Skalierung von Modellen und können einordnen, welche Aufgaben beim Übergang in den Produktionsbetrieb hinzukommen.
Grundlagen des maschinellen Lernens und Abgrenzung zu KI und Data Science
Automatisierte Entscheidungsfindung und Mustererkennung als Einsatzmöglichkeiten
Anwendungsbeispiele aus Empfehlungssystemen, Bild- und Spracherkennung sowie medizinischer Diagnostik
Grundlegende Konzepte und Techniken
Überwachtes Lernen mit Regression und Klassifikation
Unüberwachtes Lernen mit Clustering und Dimensionsreduktion
Verstärkendes Lernen mit Belohnungssystemen und Entscheidungsfindung
Datenbereinigung bei fehlenden Werten und Ausreißern
Normalisierung, Skalierung und Standardisierung von Daten
Feature Engineering zur Auswahl und Erstellung relevanter Merkmale
Werkzeuge und Bibliotheken
Einsatz von Python für Machine Learning
Einführung in NumPy, Pandas, Scikit-Learn und Matplotlib
Einrichtung von Python und Jupyter Notebook für ML-Projekte
Praxisübung 1 - Entwicklungsumgebung einrichten und Daten analysieren
Sie richten die Umgebung ein und installieren die benötigten Bibliotheken.
Sie importieren, analysieren und visualisieren einen Beispieldatensatz mit Pandas und Matplotlib.
Sie stellen Ihre Ergebnisse vor und besprechen mögliche Verbesserungen.
Modellierung und Training
Lineare Regression und Klassifikation mit Entscheidungsbäumen und k-NN
Grundlagen, Implementierung und Bewertung der überwachten Modelle
K-Means-Clustering sowie Hauptkomponentenanalyse (PCA) zur Dimensionsreduktion und Visualisierung
Modellbewertung und -optimierung
Aufteilung in Trainings- und Testdaten sowie Kreuzvalidierung
Klassifikationsmetriken wie Genauigkeit (Accuracy), Präzision, Recall und F1-Score
Regressionsmetriken wie mittlerer absoluter Fehler (MAE), Wurzel des mittleren quadratischen Fehlers (RMSE) und Bestimmtheitsmaß (R²)
Einführung in das Hyperparameter-Tuning mit Grid Search und Random Search in Scikit-Learn
Einführung in neuronale Netze
Aufbau und Funktionsweise mit Neuronen, Schichten und Aktivierungsfunktionen
Einführung in Keras und TensorFlow
Implementierung, Training und Bewertung eines einfachen Multi-Layer Perceptron (MLP)
Praxisübung 2 - ML-Modelle erstellen, trainieren und bewerten
Sie setzen in Jupyter Notebook Beispiele für Regression, Klassifikation und Clustering um.
Sie verwenden Scikit-Learn und Keras für die Modellierungsaufgaben und bewerten die Ergebnisse passend zur jeweiligen Aufgabe.
Sie stellen Ihre Ergebnisse vor und besprechen mögliche Verbesserungen.
Einsatz von Künstlicher Intelligenz im Machine Learning
Fallbeispiele zum Einsatz von KI bei der Automatisierung von ML-Prozessen und der Modelloptimierung
Datenschutz und Datensicherheit beim Umgang mit sensiblen Daten
Vermeidung von Bias und Berücksichtigung von Fairness in ML-Modellen
Überblick - Bereitstellung und Betrieb von ML-Modellen
Modellexport und Möglichkeiten der Integration in Produktionsumgebungen, einschließlich Cloud-Diensten wie AWS, Azure und Google Cloud
Ausblick auf Skalierung bei großen Datenmengen, verteilte Systeme und GPU-Computing
Überblick über die Überwachung der Modellleistung, Fehleranalyse und Fehlerbehebung im Betrieb
Einordnung von A/B-Tests und Feedback-Schleifen zur kontinuierlichen Verbesserung
Dauer/zeitlicher Ablauf:
4 Tage
Zielgruppe:
Das Seminar richtet sich an Sie, wenn Sie als Datenanalyst, Entwickler oder technische Fachkraft in Machine Learning einsteigen oder erste Kenntnisse anhand praktischer Übungen vertiefen möchten.
Teilnahmevoraussetzungen
Sie benötigen grundlegende IT- und Programmierkenntnisse.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
