Machine Learning Scientist mit R

Seminarziel

Das Seminar "Machine Learning Scientist mit R" hat das Ziel, den Teilnehmenden grundlegende Kenntnisse und Fähigkeiten in der Anwendung von Machine-Learning-Methoden in R zu vermitteln. Die Teilnehmer sollen in der Lage sein, Machine-Learning-Methoden zu verstehen, anzuwenden und zu interpretieren, um Prognosen und Entscheidungen zu treffen.

Zu den Themen des Seminars gehören eine Einführung in Machine Learning und R, Datenaufbereitung und -exploration mit R, überwachtes und unüberwachtes Lernen, Modellvalidierung und -auswahl, Ensemble-Methoden und Deep Learning sowie praktische Anwendungsbeispiele und Fallstudien zur Lösung realer Probleme mit Machine Learning.

Durch praktische Übungen und Fallstudien sollen die Teilnehmer in der Lage sein, ihre Kenntnisse und Fähigkeiten in der Anwendung von Machine-Learning-Methoden in R zu vertiefen.

Inhalt

• Einführung in Machine Learning und R
  • Was ist Machine Learning?
  • Überblick über Machine-Learning-Methoden
  • Warum R für Machine Learning?
• Datenaufbereitung und -exploration mit R
  • Datentypen und Datenstrukturen in R
  • Datenimport und -export mit R
  • Datenexploration mit R: Grafiken und Visualisierung
  • Datenbereinigung und -transformation
• Überwachtes Lernen: Klassifikation und Regression
  • Grundlagen der Klassifikation und Regression
  • Lineare Modelle in R
  • Entscheidungsbäume und Random Forests
  • Support-Vector-Maschinen
  • K-nearest-Neighbor und Naive Bayes
• Unüberwachtes Lernen: Clustering und Dimensionalitätsreduktion
  • Grundlagen von Clustering und Dimensionalitätsreduktion
  • K-means-Clustering
  • Hierarchisches Clustering
  • Hauptkomponentenanalyse
• Modellvalidierung und -auswahl
  • Trainings- und Testdatensätze
  • Cross-Validation
  • Modellauswahl und -vergleich
  • Hyperparameter-Tuning
• Ensemble-Methoden und Deep Learning
  • Ensemble-Methoden: Bagging, Boosting, Stacking
  • Einführung in Deep Learning
  • Neuronale Netze und Künstliche Intelligenz
  • TensorFlow in R
• Praktische Anwendungen und Fallstudien
  • Anwendungsbeispiele für Machine Learning in R
  • Fallstudien zur Lösung realer Probleme
  • Best Practices und Empfehlungen für Machine-Learning-Projekte