Scikit-learn Einführung

Seminar - GFU Cyrus AG

Die Teilnehmenden lernen, klassische Machine-Learning-Modelle mit Scikit-learn vorzubereiten, zu trainieren, zu evaluieren und für die Verwendung in Python-Anwendungen zu speichern. Sie erhalten zudem einen Überblick über die Einbindung serialisierter Modelle in Anwendungen und über weiterführende Aspekte der produktiven Bereitstellung.

Termin	Ort	Preis^*
firmenintern	auf Anfrage	auf Anfrage	jetzt buchen

^*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:

Einführung in Scikit-learn
- Überblick über Scikit-learn: Was ist Scikit-learn und warum ist es wichtig?
- Hauptmerkmale und Vorteile von Scikit-learn im Vergleich zu anderen Machine Learning-Bibliotheken.
Installation und Einrichtung
- Systemanforderungen und notwendige Software.
- Installation von Scikit-learn und seinen Abhängigkeiten (NumPy, pandas, matplotlib).
Grundlegende Konzepte und Datenvorbereitung
- Überblick über grundlegende Machine Learning-Konzepte.
- Datenimport und -vorbereitung mit pandas.
- Datenbereinigung und -transformation: Umgang mit fehlenden Werten, Skalierung und Normalisierung von Daten.
Erste Schritte mit Scikit-learn
- Einführung in die API von Scikit-learn.
- Nutzung von Scikit-learn für einfache Machine Learning-Aufgaben: Lineare Regression und Klassifikation.
- Train-Test-Split und Evaluierung von Modellen.
Praktische Übung 1: Datenvorbereitung und einfache Modellierung
- Problemstellung: Vorbereitung eines Datensatzes und Durchführung einer einfachen Machine Learning-Aufgabe.
- Lösung:
- Datenimport und -vorbereitung mit pandas.
- Anwendung eines einfachen Machine Learning-Modells (z.B. Lineare Regression).
- Tool: Jupyter Notebook zur Durchführung der Übung.
- Ergebnis: Ein vorbereitetes Datenset und ein einfaches Machine Learning-Modell.
Erweiterte Modellierungstechniken
- Einführung in Machine Learning-Modelle: Entscheidungsbäume, Random Forests, Support Vector Machines.
- Hyperparameter-Tuning mit GridSearchCV und RandomizedSearchCV.
- Cross-Validation zur besseren Modellbewertung.
Clustering und Dimensionalitätsreduktion
- Einführung in Clustering-Algorithmen: K-Means, Hierarchisches Clustering.
- Dimensionalitätsreduktion mit PCA (Principal Component Analysis) und t-SNE.
Modellbewertung und -validierung
- Metriken zur Modellbewertung: Accuracy, Precision, Recall, F1-Score, ROC-AUC.
- Erstellung und Interpretation von Confusion Matrices und ROC-Kurven.
Modellspeicherung und Einbindung in Anwendungen
- Export und Speicherung von Modellen mit joblib.
- Integration von Scikit-learn-Modellen in Webanwendungen mit FastAPI.
- Überblick: Anforderungen an produktive Bereitstellung und Monitoring von ML-Modellen.
Praktische Übung 2: Modell speichern und in eine einfache Webanwendung einbinden
- Problemstellung: Anwendung einfacher Machine Learning-Modelle und Integration in eine Webanwendung.
- Lösung:
- Anwendung eines einfachen Machine Learning-Modells (z.B. Random Forest).
- Export des Modells und Integration in eine einfache Webanwendung.
- Tool: FastAPI zur Einbindung des Modells in eine einfache Web-API.
- Ergebnis: Ein einfaches Machine Learning-Modell und eine einfache Webanwendung, die das Modell verwendet.

Zielgruppe:

Dieses Seminar richtet sich an Datenwissenschaftler, Machine Learning-Ingenieure, IT-Administratoren und Entwickler, die ihre Kenntnisse in der Nutzung von Scikit-learn erweitern möchten.

Teilnahmevoraussetzungen

Grundlegende Kenntnisse in Python und Datenanalyse sind hilfreich.

Seminarkennung:

S4185

Nach unten

Nach oben

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.

Akzeptieren Nicht akzeptieren

Ihr Name:

Firma (optional):

Ihre E-Mail-Adresse:

Telefonnummer (optional):

Ihre Nachricht:

Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.

Scikit-learn Einführung

Detaillierte Informationen zum Seminar

Anbieterinformationen