Sie lernen die Grundlagen und die praktische Anwendung der gängigsten Lernalgorithmen aus der Scikit-Learn Bibliothek. Sie bekommen ein Gespür für den Wert Ihrer Daten und dafür, wie Sie diese Daten in Ihrem Geschäftsfeld einsetzen können, um Automatisierungsprozesse voranzutreiben. Sie verstehen die verschiedenen Lernalgorithmen in Theorie und Praxis (lineare und logistische Regression, Support Vector Machine, Decision Tree, Naive Bayes) und üben die Anwendung anhand praktischer Beispiele ein. Die Konzepte werden anhand von Folien anschaulich erklärt, an Beispielen verdeutlicht und gemeinsam in Python umgesetzt. Passgenaue Aufgabenstellungen ergänzen den Lernprozess und ermöglichen es Ihnen, die verschiedenen Lernszenarien kennenzulernen und einzuüben. Am Ende des Seminars sind Sie in der Lage, Daten zielsicher zu extrahieren, Algorithmen anzulernen und zur Klassifizierung oder Prognose einzusetzen.
Dimensionsreduktion mit PCA (Principle Component Analysis)
Aufbereitung von Textdaten: Tokenizer und Bag-of-words.
Machine Learning Workflow
Daten aufarbeiten und zusammenführen (DataMapper)
Pipelines einrichten
Speichern und laden trainierter Klassifizierer
Dauer/zeitlicher Ablauf:
3 Tage
Zielgruppe:
Technisch interessierte Fachkräfte bzw. Projektleiter:innen, die einen Einstieg in die Praxis der Machine Learning Techniken suchen, um eigenständig Data Science Projekte zu gestalten. Die TeilnehmerInnen sollten über gute Kenntnisse in der Programmiersprache Python (Erstellung von Funktionen, Schleifen, Lesen und Schreiben von Daten) und Grundkenntnisse im Umgang mit der Python-Bibliothek Pandas verfügen. Darüber hinaus ist die Kenntnis grundlegender statistischer Konzepte (z.B. Mittelwert, Standardabweichung, Korrelation, Regression) hilfreich
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
