Schulungsübersicht
Einführung
Dieser Abschnitt bietet einen allgemeinen Überblick darüber, wann 'Maschinelles Lernen' eingesetzt wird, was zu beachten ist und was dies alles bedeutet, einschließlich der Vor- und Nachteile. Datentypen (strukturiert/unstrukturiert/statisch/streamend), Datenvalidität/-volumen, datengetriebene vs. benutzergesteuerte Analysen, statistische Modelle vs. Maschinenlernmodelle, Herausforderungen des unüberwachten Lernens, Bias-Varianz-Trade-off, Iteration/Auswertung, Kreuzvalidierungsansätze, überwachtes/unüberwachtes/verstärkendes Lernen.
HAUPTTHEMEN
1. Naive Bayes verstehen
- Grundlegende Konzepte bayesscher Methoden
- Wahrscheinlichkeit
- Gemeinsame Wahrscheinlichkeit
- Bedingte Wahrscheinlichkeit mit dem Satz von Bayes
- Der Naive-Bayes-Algorithmus
- Die Naive-Bayes-Klassifikation
- Der Laplace-Schätzwert
- Verwendung numerischer Merkmale mit Naive Bayes
2. Entscheidungsbäume verstehen
- Teile und herrsche
- Der C5.0-Entscheidungsbbaum-Algorithmus
- Auswahl des besten Split
- Beschneiden des Entscheidungsbiums
3. Neuronale Netze verstehen
- Von biologischen zu künstlichen Neuronen
- Aktivierungsfunktionen
- Netzwerktopologie
- Die Anzahl der Schichten
- Die Richtung der Informationsübertragung
- Die Anzahl der Knoten in jeder Schicht
- Ausbildung neuronaler Netze mittels Rückwärtspropagation
- Deep Learning
4. Support Vector Machines verstehen
- Klassifikation mit Hyperflächen
- Finden des maximalen Margin
- Der Fall linear separierbarer Daten
- Der Fall nicht-linear separierbarer Daten
- Einsatz von Kerneln für nicht-lineare Räume
5. Clustering verstehen
- Clustering als Aufgabe des maschinellen Lernens
- Der k-Means-Algorithmus für Clustering
- Einsatz der Distanz zur Zuweisung und Aktualisierung von Clustern
- Wahl der passenden Anzahl an Clustern
6. Leistungsmessung für Klassifikation
- Umgang mit Klassifikationsvorhersagedaten
- Ein genauerer Blick auf Konfusionsmatrizen
- Auswertung der Leistung mittels Konfusionsmatrizen
- Über die Genauigkeit hinaus – weitere Leistungsmessungen
- Der Kappa-Statistik
- Sensitivität und Spezifität
- Precision und Recall
- Das F-Maß
- Visualisierung von Leistungsabwägungen
- ROC-Kurven
- Schätzung der zukünftigen Leistung
- Die Holdout-Methode
- Kreuzvalidierung
- Bootstrap-Stichprobe
7. Standardmodelle für bessere Leistung anpassen
- Einsatz von caret zur automatisierten Parametersuche
- Erstellung eines einfach angepassten Modells
- Anpassung des Tuning-Prozesses
- Verbesserung der Modellleistung durch Meta-Learning
- Verstehen von Ensembles
- Bagging
- Boosting
- Random Forests
- Ausbildung von Random Forests
- Bewertung der Leistung von Random Forests
NEBENTHEMEN
8. Klassifikation mittels Nachbarn verstehen
- Der kNN-Algorithmus
- Berechnung der Distanz
- Wahl eines angemessenen k
- Vorbereitung der Daten für die Verwendung mit kNN
- Warum ist der kNN-Algorithmus 'faul' (lazy)?
9. Klassifikationsregeln verstehen
- Trennen und herrsche
- Der One-Rule-Algorithmus
- Der RIPPER-Algorithmus
- Regeln aus Entscheidungsbäumen
10. Regression verstehen
- Einfache lineare Regression
- Schätzung mittels gewöhnlicher kleinsten Quadrate
- Korrelationen
- Multilineare Regression
11. Regressionsbäume und Modellbäume verstehen
- Hinzufügen von Regression zu Bäumen
12. Assoziationsregeln verstehen
- Der Apriori-Algorithmus für das Lernen von Assoziationsregeln
- Messung der Relevanz von Regeln – Support und Konfidenz
- Erstellung einer Menge von Regeln mit dem Apriori-Prinzip
Zusatzthemen
- Spark/PySpark/MLlib und Multi-Armed Bandits
Voraussetzungen
Python-Kenntnisse
Erfahrungsberichte (7)
Ich habe das Training sehr genossen und schätze die tiefgehende Auseinandersetzung mit dem Thema Maschinelles Lernen. Das Gleichgewicht zwischen Theorie und praktischen Anwendungen, insbesondere die praktischen Programmierübungen, hat mir besonders gefallen. Der Trainer präsentierte ansprechende Beispiele und gut durchdachte Übungen, die das Lerngefühl verbesserten. Der Kurs behandelte eine breite Palette von Themen, und Abhi zeigte ausgezeichnetes Fachwissen, indem er alle Fragen klar und leicht verständlich beantwortete.
Valentina
Kurs - Machine Learning
Maschinelle Übersetzung
Ich schätze das Übung, die mir half, die Theorie zu verstehen und Schritt für Schritt anzuwenden. Auch die Art und Weise, wie der Trainer alles einfach und klar erklärte, war sehr hilfreich. Es war leicht zu folgen, obwohl ich nicht sehr erfahren bin im Umgang mit Python. Dennoch wollte ich keine Gelegenheit verpassen, etwas zu lernen, das mich wirklich interessiert. Ich schätze auch die Vielfalt der bereitgestellten Informationen und die Bereitschaft des Trainers, uns bei der Verständnis der Konzepte zu erklären und zu unterstützen. Nach diesem Kurs sind mir die Konzepte des Maschinellen Lernens viel klarer geworden, und ich fühle mich nun, als hätte ich eine Richtung und ein besseres Verständnis des Themas.
Cristina
Kurs - Machine Learning
Maschinelle Übersetzung
Am Ende des Trainings konnte ich die praktischen Anwendungsbeispiele der vorgestellten Themen erkennen.
Daniel
Kurs - Machine Learning
Maschinelle Übersetzung
Mir hat das Tempo gefallen, der gute Ausgleich zwischen Theorie und Praxis, die behandelten Hauptthemen und die Art, wie der Trainer alles gut abgewogen hat. Ich schätze auch sehr Ihre Trainingsinfrastruktur, mit den VMs ist sehr praktisch zu arbeiten.
Andrei
Kurs - Machine Learning
Maschinelle Übersetzung
Kurz und prägnant. Erstellung von Intuition und visuellen Modellen zu den Konzepten (Entscheidungsbaum-Graph, lineare Gleichungen, manuelles Berechnen von y_pred, um das Funktionieren des Modells zu veranschaulichen).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Es half mir, mein Ziel zu erreichen, das Maschinelles Lernen zu verstehen. Ich habe viel Respekt vor Pablo für die gründliche Einführung in dieses Thema, da nach drei Tagen Training klar wird, wie umfangreich dieses Gebiet ist. Ich habe auch die Idee der virtuellen Maschinen sehr geschätzt, die du bereitgestellt hast und die eine sehr gute Latenz aufwiesen! Dadurch konnte jeder Kursteilnehmer im eigenen Tempo Experimente durchführen.
Silviu - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Die praktische Umsetzung der Theorie ist großartig, da man sieht, wie sich die theoretischen Inhalte in etwas Praktisches verwandeln.
Lisa Fekade - Vodacom
Kurs - Machine Learning
Maschinelle Übersetzung
