Data Science und Machine Learning mit Python

Der Kurs Machine Learning mit Python ist der zweite Teilkurs des Trainings Data Science Crash Course mit Python. Mit dem Lehrgang erhalten eine fundierte, modular aufgebaute Einführung in die Themen Data Science, Künstliche Intelligenz und Machine Learning sowohl für numerische Daten als auch für Textdaten.

Der Kurs Machine Learning mit Python gibt einen Einblick in die unterschiedlichen Algorithmen des Maschinellen Lernens. Die Theorie dahinter wird dabei anhand von Praxis-Übungen aus den Bereichen Clustering, Virtuelle Sensoren und Zeitreihenvorhersage vermittelt. In diesem Modul werden Sie sich hauptsächlich mit der Anwendung des Machine Learning auf numerischen Daten beschäftigen.

Wenn heutzutage von Künstlicher Intelligenz gesprochen wird, meinen die meisten eigentlich Maschinelles Lernen. Maschinelles Lernen, oder Machine Learning, lässt die Daten für einen sprechen. Denn anstatt dass Sie selbst Regeln erstellen finden Machine Learning Algorithmen mit Ihrer Hilfe diese Regeln selbst.

Dabei unterteilt sich Machine Learning in drei Hauptbereiche: Supervised Learning, Unsupervised Learning und Reinforcement Learning. Sie werden aus diesen Bereichen zahlreiche Algorithmen kennenlernen und ausgewählte Algorithmen (KMeans, DBSCAN, Random Forest, XGBoost, Neuronale Netze, LSTMs) in drei Praxis-Übungen selbst intensiv anwenden.

Dauer

• 2 Tage mit 16 Stunden Unterricht (täglich 8 Stunden, 9-17 Uhr)
• Aufteilung Theorie/Praxis: 40 % Theorie + 60 % Praxis mit Übungen

Inhalte

• Praxis-Beispiel I (Clustering)
  • Einführung in den Kontext und die Daten
  • Zielsetzung und Methodennutzung
  • Praxis-Übung I: Dimensionalitätsreduzierung mit einer Principal Components Analysis (PCA)
  • Praxis-Übung II: Kategorie-Einteilung von Service-Einsätzen mittels KMeans und Density-Based Spatial Clustering of Applications with Noise (DBSCAN)
• Praxis-Beispiel II (Virtueller Sensor)
  • Einführung in den Kontext und die Daten
  • Zielsetzung und Methodennutzung
  • Praxis-Übung: Vorhersage eines (meistens nicht direkt messbaren) Wertes anhand vorhandener Variablen/Merkmale mittels Decision Trees, Random Forest und XGBoost und Evaluation mittels Feature Importance
• Praxis-Beispiel III (Trendvorhersage)
  • Einführung in den Kontext und die Daten
  • Zielsetzung und Methodennutzung
  • Praxis-Übung I: Zeitreihenvorhersage mittels Random Forest, XGBoost und Neuronalen Netzen
  • Praxis-Übung II: Mulitvariate Zeitreihenvorhersage mittels Long-Short-Term-Memory (LSTM) inkl. eiterführende Python-Bibliotheken: keras, tensorflow

Ziele

Am Ende des Seminars Machine Learning mit Python werden Sie

• eine Kategorien-Einteilung/Clustering mit Unüberwachtem Lernen/Unsupervised Learning (PCA, k-Means, DBSCAN) durchführen können,
• eine Trendvorhersage mit Überwachtem Lernen/Supervised Learning (Neuronale Netze, XGBoost, LSTM) durchführen können,
• einen Virtuellen Sensor mit Überwachtem Lernen/Supervised Learning (Decision Tree, Random Forest, XGBoost) entwickeln können.

Zielgruppe

• Beschäftigte aus operativen Bereichen, R&D und IT mit grundlegenden Programmierkenntnissen, welche die Potenziale von Data Science, Künstlicher Intelligenz und Maschinellem Lernen kennenlernen und hautnah erfahren möchten und
• Anwender, Studenten, Doktoranden und Forscher aus den mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, medizinischen, pharmazeutischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen

Voraussetzungen

Für den Data Science Crash Course mit Python sind Grundverständnisse der Linearen Algebra (Vektoren, Matrizen) und ein Basiswissen in der Statistik (wie Korrelationen, Signifikanztests, lineare Regression) sehr empfehlenswert. Sie sollten Grundkenntnisse in einer Programmiersprache besitzen, am besten wäre eine Skriptsprache wie Python, R oder Matlab. Liegen keine Programmierkenntnisse vor, können Sie den dafür entwickelten Vorbereitungskurs Einführung in die Programmierung mit Python besuchen.

Hinweise zur Teilnahme

Teilnahme am Online-Seminar: Sie benötigen zur Teilnahme an unseren Online-Seminaren einen Computer mit Internetzugang (empfohlene Bandbreite 1-2 MBit/s). Sie erhalten nach der Anmeldung eine detaillierte Installationsanleitung für die erforderliche Statistik- und Videokonferenz-Software (die Teilnahme ist auch mit einem Browser möglich). Bei Bedarf können Sie einen Fernzugang zu einem Schulungscomputer mit der erforderlichen Software erhalten.

Teilnahme am Präsenz-Seminar: Bitte bringen Sie einen Laptop mit der erforderlichen Software mit (Sie erhalten im Vorfeld eine Installationsanleitung für die Python Anaconda Distribution).

Förderung

Bildungsurlaub, Weiterbildungsstipendium (kein Bildungsgutschein)