Scikit-learn Einführung

Seminarziel

Am Ende des Seminars sind die Teilnehmenden in der Lage, Scikit-learn effektiv zu nutzen, um leistungsstarke, skalierbare und benutzerfreundliche Machine Learning-Modelle zu entwickeln und bereitzustellen. Sie lernen, wie sie Projekte planen, entwickeln, integrieren und optimieren, um die vielfältigen Vorteile dieser Technologie voll auszuschöpfen.

Inhalt

Einführung in Scikit-learn

• Überblick über Scikit-learn: Was ist Scikit-learn und warum ist es wichtig?
• Hauptmerkmale und Vorteile von Scikit-learn im Vergleich zu anderen Machine Learning-Bibliotheken.

Installation und Einrichtung

• Systemanforderungen und notwendige Software.
• Installation von Scikit-learn und seinen Abhängigkeiten (NumPy, pandas, matplotlib).

Grundlegende Konzepte und Datenvorbereitung

• Überblick über grundlegende Machine Learning-Konzepte.
• Datenimport und -vorbereitung mit pandas.
• Datenbereinigung und -transformation: Umgang mit fehlenden Werten, Skalierung und Normalisierung von Daten.

Erste Schritte mit Scikit-learn

• Einführung in die API von Scikit-learn.
• Nutzung von Scikit-learn für einfache Machine Learning-Aufgaben: Lineare Regression und Klassifikation.
• Train-Test-Split und Evaluierung von Modellen.

Praktische Übung 1: Datenvorbereitung und einfache Modellierung

• Problemstellung: Vorbereitung eines Datensatzes und Durchführung einer einfachen Machine Learning-Aufgabe.
• Lösung:
• Datenimport und -vorbereitung mit pandas.
• Anwendung eines einfachen Machine Learning-Modells (z.B. Lineare Regression).
• Tool: Jupyter Notebook zur Durchführung der Übung.
• Ergebnis: Ein vorbereitetes Datenset und ein einfaches Machine Learning-Modell.

Erweiterte Modellierungstechniken

• Einführung in Machine Learning-Modelle: Entscheidungsbäume, Random Forests, Support Vector Machines.
• Hyperparameter-Tuning mit GridSearchCV und RandomizedSearchCV.
• Cross-Validation zur besseren Modellbewertung.

Clustering und Dimensionalitätsreduktion

• Einführung in Clustering-Algorithmen: K-Means, Hierarchisches Clustering.
• Dimensionalitätsreduktion mit PCA (Principal Component Analysis) und t-SNE.

Modellbewertung und -validierung

• Metriken zur Modellbewertung: Accuracy, Precision, Recall, F1-Score, ROC-AUC.
• Erstellung und Interpretation von Confusion Matrices und ROC-Kurven.

Integration und Deployment

• Export und Speicherung von Modellen mit joblib.
• Integration von Scikit-learn-Modellen in Webanwendungen (z.B. Django, FastAPI).
• Einführung in ML Ops: Modell-Deployment und -Monitoring.

Praktische Übung 2: Einfache Modellierung und Integration

• Problemstellung: Anwendung einfacher Machine Learning-Modelle und Integration in eine Webanwendung.
• Lösung:
• Anwendung eines einfachen Machine Learning-Modells (z.B. Random Forest).
• Export des Modells und Integration in eine einfache Webanwendung.
• Tool: Django zur Integration und Bereitstellung des Modells.
• Ergebnis: Ein einfaches Machine Learning-Modell und eine einfache Webanwendung, die das Modell verwendet.