Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
- Machine Learning Einführung
- Arten des maschinellen Lernens - überwachtes vs. unüberwachtes Lernen
- Vom statistischen Lernen zum maschinellen Lernen
- Der Data Mining Arbeitsablauf:
- Business Verstehen
- Datenverstehen
- Aufbereitung der Daten
- Modellierung
- Auswertung
- Einsatz
- Algorithmen für maschinelles Lernen
- Auswahl eines geeigneten Algorithmus für das Problem
- Überanpassung und Bias-Varianz-Abgleich in ML
- ML-Bibliotheken und Programmiersprachen
- Warum eine Programmiersprache verwenden?
- Die Wahl zwischen R und Python
- Python Crash-Kurs
- Python Ressourcen
- Python Bibliotheken für maschinelles Lernen
- Jupyter-Notebooks und interaktives Programmieren
- Testen von ML-Algorithmen
- Verallgemeinerung und Überanpassung
- Vermeiden von Überanpassung
- Holdout-Methode
- Kreuz-Validierung
- Bootstrapping
- Evaluierung numerischer Vorhersagen
- Maße für die Genauigkeit: ME, MSE, RMSE, MAPE
- Parameter- und Vorhersagestabilität
- Bewertung von Klassifizierungsalgorithmen
- Genauigkeit und ihre Probleme
- Die Konfusionsmatrix
- Das Problem der unausgewogenen Klassen
- Visualisierung der Modellleistung
- Gewinnkurve
- ROC-Kurve
- Lift-Kurve
- Modell-Auswahl
- Modellabstimmung - Gittersuchstrategien
- Beispiele in Python
- Datenaufbereitung
- Datenimport und -speicherung
- Verstehen der Daten - Grundlagenuntersuchungen
- Datenmanipulationen mit der Pandas-Bibliothek
- Datentransformationen - Datenmanipulation
- Explorative Analyse
- Fehlende Beobachtungen - Erkennung und Lösungen
- Ausreißer - Erkennung und Strategien
- Standardisierung, Normalisierung, Binarisierung
- Qualitative Datenumkodierung
- Beispiele in Python
- Klassifizierung
- Binäre vs. Multiklassen-Klassifikation
- Klassifizierung über mathematische Funktionen
- Lineare Diskriminanzfunktionen
- Quadratische Diskriminanzfunktionen
- Logistische Regression und Wahrscheinlichkeitsansatz
- K-Nächste Nachbarn
- Naïve Bayes
- Entscheidungsbäume
- CART
- Bagging
- Random Forests
- Verstärkung
- Xgboost
- Support-Vektor-Maschinen und Kernel
- Maximal Margin Klassifikator
- Support-Vektor-Maschine
- Ensemble-Lernen
- Beispiele in Python
- Regression und numerische Vorhersage
- Schätzung der kleinsten Quadrate
- Techniken zur Variablenauswahl
- Regularisierung und Stabilität - L1, L2
- Nichtlinearitäten und verallgemeinerte kleinste Quadrate
- Polynomielle Regression
- Regressionssplines
- Regressionsbäume
- Beispiele in Python
- Unüberwachtes Lernen
- Clustering
- Zentroid-basiertes Clustering - k-means, k-medoids, PAM, CLARA
- Hierarchische Clusterbildung - Diana, Agnes
- Modellbasiertes Clustering - EM
- Selbstorganisierende Karten
- Bewertung und Beurteilung von Clustern
- Dimensionalitätsreduktion
- Hauptkomponentenanalyse und Faktorenanalyse
- Singulärwert-Zerlegung
- Multidimensionale Skalierung
- Beispiele in Python
- Clustering
- Text Mining
- Vorverarbeitung von Daten
- Das Bag-of-Words-Modell
- Stemming und Lemmisierung
- Analyse von Worthäufigkeiten
- Sentiment-Analyse
- Erstellen von Wortwolken
- Beispiele in Python
- Empfehlungsmaschinen und kollaborative Filterung
- Empfehlungsdaten
- Benutzerbasierte kollaborative Filterung
- Element-basierte kollaborative Filterung
- Beispiele in Python
- Assoziationsmuster-Mining
- Frequent-Itemsets-Algorithmus
- Warenkorb-Analyse
- Beispiele in Python
- Ausreißer-Analyse
- Extremwert-Analyse
- Distanzbasierte Ausreißererkennung
- Dichte-basierte Methoden
- Hochdimensionale Ausreißererkennung
- Beispiele in Python
- Machine Learning Fallstudie
- Business Problemverständnis
- Vorverarbeitung der Daten
- Algorithmusauswahl und -abstimmung
- Auswertung der Ergebnisse
- Einsatz
Voraussetzungen
Kenntnis und Bewusstsein für Machine Learning Grundlagen
21 Stunden
Erfahrungsberichte (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Kurs - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Kurs - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
