Machine Learning mit Python

Seminarziel

Sie lernen die Grundlagen und die praktische Anwendung der gängigsten Lernalgorithmen aus der Scikit-Learn Bibliothek. Sie bekommen ein Gespür für den Wert Ihrer Daten und dafür, wie Sie diese Daten in Ihrem Geschäftsfeld einsetzen können, um Automatisierungsprozesse voranzutreiben. Sie verstehen die verschiedenen Lernalgorithmen in Theorie und Praxis (lineare und logistische Regression, Support Vector Machine, Decision Tree, Naive Bayes) und üben die Anwendung anhand praktischer Beispiele ein. Die Konzepte werden anhand von Folien anschaulich erklärt, an Beispielen verdeutlicht und gemeinsam in Python umgesetzt. Passgenaue Aufgabenstellungen ergänzen den Lernprozess und ermöglichen es Ihnen, die verschiedenen Lernszenarien kennenzulernen und einzuüben. Am Ende des Seminars sind Sie in der Lage, Daten zielsicher zu extrahieren, Algorithmen anzulernen und zur Klassifizierung oder Prognose einzusetzen. 

Inhalt

• Daten ziehen und aufbereiten
  • Dateien im Verzeichnis ansteuern
  • Standardverfahren zum Lesen/Schreiben von Text- und CSV-Dateien
  • SQL-Datenbanken ansteuern
  • Arbeiten mit Datenmatrizen: Einführung in Numpy & Pandas  
  • Daten inspizieren und beschreiben
  • Fehlende Werte behandeln
• Machine Learning Grundlagen 
  • Grundlagen, Varianten und Techniken des Machine Learnings.
  • Arbeiten mit der Machine Learning Bibliothek scikit-learn.
  • Einfache Zusammenhänge zwischen stetigen Variablen modellieren: Lineare Regression
  • Klassifizieren mit Logistic Regression, Softmax und Support Vector Machine.
  • Modelle evaluieren: Accuracy, Precision, Recall & Confusion matrix
  • Unterteilen der Daten in Trainings- und Testdaten
• Feature-Extraction 
  • Kategoriale Daten vorbereiten: One-Hot Codierung
  • Standardisierung von Daten
  • Dimensionsreduktion mit PCA (Principle Component Analysis)
  • Aufbereitung von Textdaten: Tokenizer und Bag-of-words.
• Machine Learning Workflow
  • Daten aufarbeiten und zusammenführen (DataMapper)
  • Pipelines einrichten
  • Speichern und laden trainierter Klassifizierer