Schulungsübersicht
Einführung in Machine Learning
- Typen des Machine Learnings – überwacht vs. unüberwacht
- Vom statistischen Lernen zum Machine Learning
- Der Data-Mining-Workflow: Geschäftsverständnis, Datenvorbereitung, Modellierung, Implementierung
- Auswahl des richtigen Algorithmus für die Aufgabe
- Overfitting und der Bias-Varianz-Tradeoff
Übersicht über Python und ML-Bibliotheken
- Warum Programmiersprachen für ML verwendet werden
- Die Wahl zwischen R und Python
- Python-Crashkurs und Jupyter Notebooks
- Python-Bibliotheken: pandas, NumPy, scikit-learn, matplotlib, seaborn
Testen und Bewerten von ML-Algorithmen
- Generalisierung, Overfitting und Modellvalidierung
- Bewertungsstrategien: Holdout, Kreuzvalidierung, Bootstrapping
- Metriken für Regression: ME, MSE, RMSE, MAPE
- Metriken für Klassifikation: Genauigkeit, Konfusionsmatrix, unausgewogene Klassen
- Visualisierung der Modellleistung: Profit Curve, ROC Curve, Lift Curve
- Modellselektion und Grid Search zur Optimierung
Datenvorbereitung
- Datenimport und -speicherung in Python
- Explorative Analysen und deskriptive Statistiken
- Umgang mit fehlenden Werten und Ausreißern
- Standardisierung, Normalisierung und Transformation
- Neu Kodierung qualitativer Daten und Data Wrangling mit pandas
Klassifikationsalgorithmen
- Binäre vs. multiklassen Klassifikation
- Logistische Regression und diskriminante Funktionen
- Naïve Bayes, k-Nächste-Nachbarn
- Entscheidungsbäume: CART, Random Forests, Bagging, Boosting, XGBoost
- Support Vector Machines und Kernel
- Ensemble-Learning-Techniken
Regression und numerische Vorhersage
- Methode der kleinsten Quadrate und Variablenauswahl
- Regularisierungsmethoden: L1, L2
- Polynomiale Regression und nichtlineare Modelle
- Regressionsbäume und Splines
Neuronale Netze
- Einführung in neuronale Netze und Deep Learning
- Aktivierungsfunktionen, Schichten und Backpropagation
- Multilayer Perceptrons (MLP)
- Verwendung von TensorFlow oder PyTorch für grundlegende neuronale Netzmodellierung
- Neuronale Netze für Klassifikation und Regression
Umsatzprognose und Predictive Analytics
- Zeitreihen vs. regressionsbasierte Prognosen
- Umgang mit saisonalen und trendbasierten Daten
- Aufbau eines Umsatzprognosemodells mit ML-Techniken
- Bewertung der Prognosegenauigkeit und Unsicherheit
- Geschäftliche Interpretation und Kommunikation der Ergebnisse
Unüberwachtes Lernen
- Clustering-Techniken: k-means, k-medoids, hierarchisches Clustering, SOMs (Self-Organizing Maps)
- Dimensionsreduktion: PCA, Faktorenanalyse, SVD
- Multidimensionale Skalierung
Text Mining
- Textvorverarbeitung und Tokenisierung
- Bag-of-Words, Stemming und Lemmatisierung
- Sentiment-Analyse und Wortfrequenz
- Visualisierung von Textdaten mit Word Clouds
Recommendation Systems
- Benutzerebener und artikelbasierter Collaborative Filtering
- Design und Bewertung von Empfehlungssystemen
Assoziationsmuster-Mining
- Häufige Itemsets und Apriori-Algorithmus
- Markt-Korb-Analyse und Lift-Ratio
Ausreißererkennung
- Analyse extremer Werte
- Distanzbasierte und dichtebasierte Methoden
- Ausreißererkennung in hochdimensionalen Daten
Machine-Learning-Fallstudie
- Verständnis des Geschäftsproblems
- Datenvorverarbeitung und Feature Engineering
- Modellselektion und Parameteroptimierung
- Bewertung und Präsentation der Erkenntnisse
- Implementierung (Deployment)
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundlegende Kenntnisse zu Machine-Learning-Konzepten wie überwachtes und unüberwachtes Lernen
- Vertrautheit mit der Python-Programmierung (Variablen, Schleifen, Funktionen)
- Erfahrung im Umgang mit Daten mithilfe von Bibliotheken wie pandas oder NumPy ist hilfreich, aber nicht erforderlich
- Es wird keine Vorkenntnisse in fortgeschrittener Modellierung oder neuronalen Netzen erwartet.
Zielgruppe
- Data Scientists
- Business Analysten
- Softwareentwickler und technische Fachkräfte, die mit Daten arbeiten
Erfahrungsberichte (2)
Erfahrungsaufbau im Bereich der Prompt-Wiederholung für Personen, die zuvor keine KI genutzt haben, sowie die Einführung alternativer Methoden der KI-Nutzung für bestehende Anwender.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
