Machine Learning mit Python & Scikit Learn (Inhouse)

• 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

Methode

Das Seminar kombiniert kurze theoretische Impulse mit Live-Demonstrationen in Python mit umfangreichen Hands-on-Übungen. Die Teilnehmer:innen arbeiten direkt in JupyterLab und wenden die Methoden auf realitätsnahe Datensätze an. Die Trainer:innen demonstrieren die Vorgehensweise live, begleiten Sie bei der Bearbeitung der Aufgaben und geben Feedback zu Ihren Lösungen.