Supervised Machine Learning in R (2-tägig)

Themenschwerpunkte Teil 1: Einführung in Machine Learning und Predictive Modeling

• Allgemeine Fragestellungen im maschinellen Lernen (Regression, Klassifikation, Clustering, …)

• Einführung allgemeiner Begriffe (Verlustfunktion, Risikominimierung, Overfitting, Hyper- und Modelparameter, Training- und Testdaten, …)

• Lineare und Logistische Regression aus der Perspektive des maschinellen Lernens

• K-nächste Nachbarn Verfahren

• Wichtige Evaluationmaße für Regression und Klassifikation und deren Eigenschaften

• Resampling Methoden (Kreuzvalidierung, Bootstrap, …) und deren Vor- und Nachteile

Themenschwerpunkte Teil 2: Praktisches Machine Learning - Evaluation und Tuning

• Funktionsweise wichtiger Machine Learning Algorithmen:

  • Regressions- und Klassifikationsbäume

  • Random Forests, ggf. Ausblick auf (Gradienten) Boosting 

• Hyperparameter Optimierung (Zufallssuche und Gittersuche)

• Genestete Kreuzvalidierung zur optimalen Modellwahl

• Fallstricke und praxisrelevante Tipps bei der Modell-Evaluation und Modellwahl

Voraussetzungen: Kenntnisse in R und in der Datenanalyse / Statistik (etwa im Umfang von Modul 1 und 2)

Allgemeine Kursinformationen:

• Kurssprache: Wenn nicht anders erwähnt Deutsch, Kursunterlagen: Englisch.

• R Kurse: Sie benötigten R (ab Version 3.6.0: https://cran.r-project.org), RStudio (https://www.rstudio.com/products/rstudio) und ausreichend Berechtigungen um Zusatzpakete in R installieren zu können (z.B. mit dem Befehl install.packages).

• Webinar-Tool: Zoom-Software, was mittels Breakout Sessions (virtuelle Kursräume) Gruppenarbeit und individuelle Betreuung ermöglicht. Eine Teilnahme ist auch ohne zusätzliche Installation der Zoom-Software möglich (siehe Zoom per Internetbrowser).