Live-Online: Machine Learning mit Python: Der praxisorientierte Einstieg: Leistungsfähige Modelle erstellen, trainieren und evaluieren – mit vielen wichtigen Python-Bibliotheken

1. Grundlagen des maschinellen Lernens mit Python

• Überblick über die Technologien und Teilbereiche des maschinellen Lernens
• Verschiedenen Arten maschinellen Lernens und ihre Unterschiede
• Lineare Regression und logistische Regression im Detail
• Mathematische Grundlagen der linearen und logistischen Regression

2. Fortgeschrittene Modelle und Techniken

• Entscheidungsbäume und ihre Anwendung in Klassifikations- und Regressionsproblematiken
• Praktische Implementierung von Entscheidungsbäumen mit Python
• Ensemble-Modelle: Bagging und Boosting
• Praktische Umsetzung von Ensemble-Modellen mit Random Forest und XGBoost

3. Datenvorbereitung mit scikit-learn und pandas

• Datenvorbereitung und Vorverarbeitung
• Explorative Datenvisualisierung und statistische Analyse
• Datenanalysen mit deskriptiver und inferenzieller Statistik
• Datenvorbereitung mit scikit-learn
• Effektive Datenmanipulation mit pandas

4. Techniken der Datenverdichtung und -klassifikation

• Clustering und Dimensionsreduktion
• Einführung in die Algorithmen k-Means, SVD und PCA
• Lineare und nicht-lineare Support Vector Machines

5. Deep Learning und industrielle Anwendungen

• Grundlagen und Unterschiede zum traditionellen maschinellen Lernen
• Implementierung einfacher neuronaler Netzwerke in Python
• Fallstudie: Bilderkennung und Verarbeitung natürlicher Sprache

6. Eine vollständige Pipeline am Beispiel erklärt

• Vollständige End-to-End-Machine-Learning-Pipeline im Überblick
• Case-Study: Eine Machine-Learning-Pipeline praktisch umsetzen
• Training, Evaluation und Optimierung verstehen
• Verwendung des Ensemble-Modells XGBoost

Praxisübungen zum Mitprogrammieren

Durch das ganze Seminar hindurch löst du selbst praxisnahe Aufgaben mit Python, die dir helfen, das Gelernte sofort anzuwenden und zu festigen. Bereitgestellt werden die Aufgaben in Jupyter Notebooks, die du lokal auf dem Rechner ausführen kannst – du benötigst also keine komplexen Programmierumgebungen.

Grundlegende Programmierkenntnisse als Voraussetzung

In diesem Seminar wird die Programmiersprache Python eingesetzt. Es ist daher von Vorteil, wenn du grundlegende Programmierkenntnisse, etwa zur Arbeit mit Variablen, Listen, Arrays und Schleifen, mitbringst oder dir vor dem Seminar erstes Wissen darüber aneignest.

Du erfährst alles über dietechnischen und mathematischen Grundlagen im Machine-Learning.

Du lernst den vollständigen Ablauf von Machine-Learning-Projekten kennen – von der Datenvorbereitung über die Erstellung und das Training von Modellen bis zu Evaluation und Deployment.

Du bekommst einen Überblick über viele wichtige Python-Bibliotheken und lernst, sie in eigenen Projekten einzusetzen.

Du wirst eigene Machine-Learning-Modelle vorbereiten, erstellen, trainieren und evaluieren können.

Die technischen Einstiegshürden werden durch den Einsatz von Jupyter Notebooks minimiert, welche es dir erlauben, ohne Installation von Programmierumgebungen direkt mit den Programmieraufgaben zu beginnen.

Dieses Training richtet sich an alle, die Machine Learning im Detail verstehen und im Rahmen von eigenen Projekten einsetzen möchten.

Grundlegende Kenntnisse in einer beliebigen Programmiersprache werden vorausgesetzt. Weitergehendes technisches, mathematisches und statistisches Vorwissen ist hilfreich, aber nicht erforderlich.

Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum Machine Learning Engineer, Data Engineer und Data Scientist.