Machine Learning mit Python & Scikit Learn

Grundlegende Einblicke in das Feld des Maschinellen Lernens:

• Einführung in das Gebiet des Maschinellen Lernens
• Erläuterung der Unterschiede zwischen überwachtem und unüberwachtem Lernen
• Überwindung von Overfitting durch kluge Datasplitting-Strategien (Training vs. Testdaten)

Basiswissen zur Linearen Regression:

• Verständnis für den Linearen Regressionsalgorithmus aufbauen
• Richtige Aufteilung von Daten in Training und Test
• Praktische Umsetzung der Linearen Regression in Python (mit scikit-learn)
• Solide Überprüfung der Ergebnisse

Eintauchen in die Logistische Regression (unter Nutzung von StatsModels):

• Aufbau des Verständnisses für die Logistische Regression (Entwicklung von linear zu logistisch)
• Sorgfältige Datenaufteilung für Training und Test
• Implementierung der Logistischen Regression in Python
• Kritische Prüfung und Bewertung der Ergebnisse und des Modells (AIC, BIC, Konfusionsmatrix)
• Erläuterung der Koeffizienteninterpretation (Odds-Ratio)
• Roc Curve und Fläche unter der Kurve (AUC) im Fokus

Tiefere Einblicke in den Entscheidungsbaum-Algorithmus:

• Verständnis für den Entscheidungsbaum-Algorithmus entwickeln
• Richtige Aufteilung von Daten in Training und Test
• Konkrete Umsetzung des Entscheidungsbaums in Python (mit scikit-learn)
• Feintuning der Hyperparameter für optimale Leistung
• Sorgfältige Validierung der Ergebnisse (Konfusionsmatrix, Genauigkeit)
• Anwendung des Entscheidungsbaums für Regressionsszenarien

Ensemble-Methoden und ihre Effektivität:

• Ein Ensemble aus verschiedenen Algorithmen mit scikit-learn realisieren
• Random Forest für Klassifikation und Regression nutzen
• Einsatz von Ada Boost für Klassifikation und Regression verstehen
• Feintuning der Hyperparameter für optimierte Ergebnisse
• Akkurate Bewertung der Modellleistung durch gezielte Validierung

Erkundung weiterer Schlüsselalgorithmen:

• K-Nearest Neighbor-Verfahren beleuchten
• Einfaches Neuronales Netz (Multi-Layer Perceptron, MLP) betrachten
• Direkte Umsetzung der Algorithmen in Python
• Gründliche Ergebnisüberprüfung und -bewertung

Optimierung von Hyperparametern und Anwendung von Kreuzvalidierung:

• Automatisierte Suche nach optimalen Hyperparametern
• Kreuzvalidierung (Cross-Validation) als Schlüssel zur Modellbewertung
• Umsetzung dieser Konzepte in scikit-learn

Erkundung von Clustering-Algorithmen:

• Basisverständnis für K-Means Clustering und DBScan erlangen
• Interpretation der Ergebnisse von Clustering-Vorgängen
• Vergleich der Ergebnisse verschiedener Clustering-Methoden

• Programmiererfahrung in Python ist erforderlich, insbesondere im Umgang mit pandas DataFrames, Installation und Nutzung von Bibliotheken sowie dem Schreiben eigener Funktionen.
• Grundkenntnisse in Statistik (z. B. Durchschnitt, Median, Standardabweichung) und mathematischen Symbolen (z. B. Summenzeichen, Integral) sind notwendig.
• Kenntnisse der booleschen Algebra und logischen Operatoren (UND, ODER, NICHT) werden vorausgesetzt.
• Englischkenntnisse sind empfehlenswert, da die Programmiersprache und Fachbegriffe häufig auf Englisch sind. Die Schulungsunterlagen sind ebenfalls in Englisch, die Schulung wird hingegen auf Deutsch durchgeführt.

• Die Schulung richtet sich an Fachkräfte wie Data Scientists, angehende Machine Learning Engineers, Datenanalystinnen und -analysten, Business Intelligence sowie und Data Analystinnen und Analysten, die ihre Python-Kenntnisse im Bereich Data Science und Data Mining vertiefen möchten.
• Besonders geeignet für Personen, die bereits über grundlegende Programmierkenntnisse in Python verfügen und diese erweitern wollen, um Machine Learning mit scikit-learn eigenständig umzusetzen.