Maschinelles Lernen mit Python Scikit-Learn

Scikit-Learn ist ein mächtiges Python-Paket für maschinelles Lernen.
Der Scikit-Learn-Kurs richtet sich an Softwareentwickler, Ingenieure, Wirtschaftswissenschaftler,
Marketing-Experten.

Der Übungsanteil beträgt 50%-60%. Ein Trainer kommt auf 5 bis 10 Kursteilnehmer und hilft ihnen
individuell.

Nach dem Kurs werden die Teilnehmer in der Lage sein, sehr mächtige, moderne
Vorhersagemodelle mit relativ wenig Code-Zeilen zu erstellen und produktiv einzusetzen. Der Kurs setzt
Grundkenntnisse in Python voraus. Kenntnisse in linearer Algebra und Differenzial-Rechnung
sind nützlich. (Matrizen-, Differential- und Vektor-Rechnung Schulniveau)

Der Kurs behandelt die grundlegende Funktionsweise der 3 bis 4 besten Algorithmen in
Scikit-Learn.
Ansonsten liegt der Fokus auf den Grundprinzipien und Werkzeugen von Scikit-Learn,
die für die
erfolgreiche Anwendung und Programmierung notwendig sind. Die Themen im Detail:

1) Numpy
+ Ein ndarray erstellen.
+ Auf Array-Elemente zugreifen.
+ Array - Slicing.
+ Elementweise Operationen.
+ Attribute von ndarray.
+ Reshape eines ndarray.
+ Fortgeschrittenes Indexieren.
+ Über ein ndarray iterieren.
+ Die numpy.where Funktion.
+ Wichtige ndarray-Methoden.
+ numpy mathematische Funktionen.
+ Mit NaN und infinite Zahlen umgehen.

2) Supervised Learning - Grundlagen
+ Lineare Regression
+ Messen der Qualität eines Vorhersagemodells.
+ Die sklearn.model_selection.train_test_split() Routine.
+ Methoden, um die relevanten Features zu finden.
+ Visualisierung der Interaktion von Variablen mit seaborn.
+ Hauptmethoden von sklearn Predictor Instanzen.
+ Qualitätsmessung mit der cross_val_score() Funktion.
+ Logistische Regression.

3) Wichtige Tools
+ sklearn.preprocessing.LabelEncoder
+ Predictors und Transformers interagieren mit Pandas.
+ Qualitäts-Metriken für Modelle.
+ Visualisierung der learning-curve.

4) Analysetechniken, Anti-Overfitting-Techniken
+ Regularisierung, um Overfitting zu vermeiden.
+ Evaluierung von Klassifikationsmodellen.
+ Visualisierung der Qualität von Klassifikationsmodellen.
+ Feature Engineering.

5) Support-Vektor-Maschinen
+ Support-Vektor-Classifiers.
+ sklearn.svm package's SVC Predictors.
+ Support-Vektor-Regression.
+ Wie man gute Modell-Parameter findet. GridSearchCV und ähnliche Klassen.

6) Daten transformieren, Vorhersage-Modelle verbessern
+ Principal Components Transformer.
+ Space Density Transformer.
+ Pipelines.
+ Nicht-numerische in numerische Daten transformieren.
+ Scikit-Learn Transformers.
+ Das Modul to_numeric_frame.

7) Entscheidungsbäume, Random Forests, GradientBoost
+ Entscheidungsbäume für Klassifikation.
+ Entscheidungsbäume für Regression.
+ RandomForrest.
+ GradientBoost und andere Ensemble-Methoden.
+ ScikitLearn-Modelle speichern und wieder laden.

8) Unsupervised Learning
+ Clustering.
+ k-means-clustering.
+ Die Elbow-Methode.
+ Mean shift clustering.

Zu jedem der obigen Kapitel gibt es eine oder mehrere Übungseinheiten. Kursdauer: 3 Tage.

Auf Wunsch kann dieser Kurs auch mit anderen Kursen kombiniert oder gekürzt gehalten werden mit Dauer zwischen 2 und 5 Tagen. Oft wird dieser Kurs kombiniert mit unserem Kurs über tiefe neuronale Netze mit Keras/TensorFlow oder dem Pandas-Kurs.

Wenn Sie Interesse an diesem Kurs haben, schicken Sie uns eine Nachricht, da wir die Kurse dynamisch je nach Nachfrage planen. Online-Kurse und Inhouse-Kurse in ihrer Organisation sind in der DACH Region machbar. Den Kurs bieten wir auf Wunsch auch auf Englisch an.

Die Preise unserer Kurse sind sehr kompetitiv. Die meisten Mitbewerber haben deutlich höhere Preise.
Unterrichtsmaterialien und ausgearbeitete Musterlösungen zu allen Übungen erhalten die
Kursteilnehmer natürlich auch. Die Trainer haben jahrelange praktische Erfahrung in den Themen der Kurse. Wir legen besonders viel Wert auf individuelle Betreuung der Teilnehmer bei den Programmierübungsaufgaben. Die Kursinhalte passen wir gerne an Ihre Bedürfnisse an.