Machine Learning Algorithmen mit scikit-learn (Python)

Seminarziel

Entlang des Kurses werden die notwendigen Hintergründe mit dem Ziel gelernt, das Wissen in Selbstlernphasen praktisch einzusetzen. Etwa 50% des Kurses sind Übungsphasen, in denen mit Unterstützung des Dozenten Schwierigkeiten und typische Probleme gelöst werden. Dies ermöglicht, das Gelernte nach dem Seminar direkt im Unternehmen einzusetzen. 

Anhand vieler Übungsaufgaben begegnen die Teilnehmenden üblichen Praxisschwierigkeiten bei der Umsetzung, so dass der Übertrag auf eigene Daten im Unternehmen nach der Schulung leichter fällt. 

Inhalt

• Grundlagen von Maschinellem Lernen
  • Unterscheidung Supervised - Unsupervised Learning (überwachtes - unüberwachtes Lernen)
  • Overfitting (Überanpassung), Aufteilung der Daten in Training vs. Testdaten
• Datenhandling und Visualisierung
  • Daten mit dem Paket pandas einlesen
  • Daten auswählen und modifizieren
  • Daten visualisieren mit dem Paket seaborn
• Supervised Learning Verfahren
  • Erklärung der Algorithmen, praktische Umsetzung in scikit-learn, Praxistipps
  • Lineare Regression
  • Logistische Regression (mit dem Paket statsmodels)
  • Entscheidungsbaum
  • Ensemble Methoden (Random Forest, AdaBoost)
  • Support Vector Machine
  • K-Nearest Neighbor
  • Multi-Layer Perceptron (MLP, ein einfaches Neuronales Netz)
• Validierung und Interpretation der supervised Ergebnisse
  • Metriken, um die Vorhersagegüte bei Regression und Klassifikation zu bestimmen
  • Erklärung und Interpretation der Metriken
  • Umsetzung in scikit-learn
  • Klassifikation: Accuracy, True Positive Rate, True Negative Rate, Precision, Recall, confusion matrix, ROC Score, AUC
  • Regression: MSE (mean squared error), MAE (mean absolute error)
• Unsupervised Learning Verfahren
  • K-means Clustering und DBSCAN
  • Cluster-Ergebnisse anhand von Metriken einschätzen und interpretieren
  • Vergleich von Cluster-Ergebnissen über verschiedene Algorithmen hinweg
• Machine Learning - Anwendungen für die Praxis
  • Hyperparameter bei den Algorithmen setzen 
  • Semi-automatische Hyperparametersuche bei Algorithmen (Hyperparameter Tuning)
  • Kreuzvalidierung