Seminare
Seminare

Machine Learning mit Python & Scikit Learn

Seminar - Cegos Integrata GmbH

Der Kurs Grundlagen des Maschinellen Lernens mit scikit-learn und Python behandelt in einem zweitägigen Seminar die Konzepte des überwachten und unüberwachten Lernens mit Hilfe des Python Moduls scikit-learn.
Es wird vorausgesetzt, dass die Teilnehmer grundlegende Kenntnisse in Python besitzen.

Der Kurs vermittelt Ihnen die Grundlagen des Machine Learning und zeigt Ihnen, wie Sie Machine Learning mit Python und der Bibliothek scikit-learn umsetzen können. Machine Learning ist eine wichtige Algorithmenklasse der Künstlichen Intelligenz und umfasst sowohl supervised learning als auch unsupervised learning.

Wir werden uns auf supervised learning konzentrieren, bei dem Algorithmen mit gelabelten Daten trainiert werden, um bestimmte Aufgaben zu erlernen. Beispiele für supervised learning sind die Klassifikation von Fehlern in Bauteilen oder die Vorhersage des Umsatzes eines Kunden.

Unsupervised learning hingegen benötigt keine gelabelten Daten, sondern versucht, Muster oder Gruppen in den vorhandenen Daten zu erkennen. Dies kann zum Beispiel für die Kundengruppierung verwendet werden.

Der Kurs verwendet die Programmiersprache Python, die sowohl im Machine Learning als auch im Deep Learning weit verbreitet ist. Die Bibliothek scikit-learn bietet zahlreiche Algorithmen, die das Lernen von Machine Learning erleichtern.

Wir werden hauptsächlich das Python-Modul scikit-learn verwenden, um die Algorithmen im Machine Learning zu le...

Termin Ort Preis*
23.01.2025- 24.01.2025 online 1.535,10 €
24.03.2025- 25.03.2025 Frankfurt am Main 1.535,10 €
19.05.2025- 20.05.2025 online 1.535,10 €
11.08.2025- 12.08.2025 Düsseldorf 1.535,10 €
06.10.2025- 07.10.2025 online 1.535,10 €
27.11.2025- 28.11.2025 online 1.535,10 €
firmenintern auf Anfrage auf Anfrage

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:

Grundlegende Einblicke in das Feld des Maschinellen Lernens:

  • Einführung in das Gebiet des Maschinellen Lernens
  • Erläuterung der Unterschiede zwischen überwachtem und unüberwachtem Lernen
  • Überwindung von Overfitting durch kluge Datasplitting-Strategien (Training vs. Testdaten)

Basiswissen zur Linearen Regression:

  • Verständnis für den Linearen Regressionsalgorithmus aufbauen
  • Richtige Aufteilung von Daten in Training und Test
  • Praktische Umsetzung der Linearen Regression in Python (mit scikit-learn)
  • Solide Überprüfung der Ergebnisse

Eintauchen in die Logistische Regression (unter Nutzung von StatsModels):

  • Aufbau des Verständnisses für die Logistische Regression (Entwicklung von linear zu logistisch)
  • Sorgfältige Datenaufteilung für Training und Test
  • Implementierung der Logistischen Regression in Python
  • Kritische Prüfung und Bewertung der Ergebnisse und des Modells (AIC, BIC, Konfusionsmatrix)
  • Erläuterung der Koeffizienteninterpretation (Odds-Ratio)
  • Roc Curve und Fläche unter der Kurve (AUC) im Fokus

Tiefere Einblicke in den Entscheidungsbaum-Algorithmus:

  • Verständnis für den Entscheidungsbaum-Algorithmus entwickeln
  • Richtige Aufteilung von Daten in Training und Test
  • Konkrete Umsetzung des Entscheidungsbaums in Python (mit scikit-learn)
  • Feintuning der Hyperparameter für optimale Leistung
  • Sorgfältige Validierung der Ergebnisse (Konfusionsmatrix, Genauigkeit)
  • Anwendung des Entscheidungsbaums für Regressionsszenarien

Ensemble-Methoden und ihre Effektivität:

  • Ein Ensemble aus verschiedenen Algorithmen mit scikit-learn realisieren
  • Random Forest für Klassifikation und Regression nutzen
  • Einsatz von Ada Boost für Klassifikation und Regression verstehen
  • Feintuning der Hyperparameter für optimierte Ergebnisse
  • Akkurate Bewertung der Modellleistung durch gezielte Validierung

Erkundung weiterer Schlüsselalgorithmen:

  • K-Nearest Neighbor-Verfahren beleuchten
  • Einfaches Neuronales Netz (Multi-Layer Perceptron, MLP) betrachten
  • Direkte Umsetzung der Algorithmen in Python
  • Gründliche Ergebnisüberprüfung und -bewertung

Optimierung von Hyperparametern und Anwendung von Kreuzvalidierung:

  • Automatisierte Suche nach optimalen Hyperparametern
  • Kreuzvalidierung (Cross-Validation) als Schlüssel zur Modellbewertung
  • Umsetzung dieser Konzepte in scikit-learn

Erkundung von Clustering-Algorithmen:

  • Basisverständnis für K-Means Clustering und DBScan erlangen
  • Interpretation der Ergebnisse von Clustering-Vorgängen
  • Vergleich der Ergebnisse verschiedener Clustering-Methoden
Dauer/zeitlicher Ablauf:
2 Tage
Teilnahmevoraussetzungen:
Diese Schulung zum Thema Machine Learning erfordert Programmiererfahrung in Python. Es ist wichtig, bereits Erfahrung in der Arbeit mit Python und Daten zu haben. Der Kurs Data Science mit Python gibt einen Überblick über die erforderlichen Vorkenntnisse, um gut an dem Seminar teilnehmen zu können. Insbesondere sollten Sie Kenntnisse über pandas Data.Frames (Ergänzen fehlender Werte, Einlesen von Daten), Installation und Laden von Bibliotheken, Schreiben eigener Funktionen sowie Kenntnisse über verschiedene Datenstrukturen (Liste, Wörterbuch, Tupel) haben.

Darüber hinaus sind grundlegende Kenntnisse in Statistik (Definitionen wie Durchschnitt, Median, Standardabweichung, Normalverteilung), grundlegende mathematische Symbole und Begriffe (Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion) und Kenntnisse der booleschen Algebra mit den logischen Operatoren (UND, ODER, NICHT) erforderlich.

Die Schulung zum Thema Machine Learning wird auf Deutsch durchgeführt. Englischkenntnisse (insbesondere im Verständnis englischer Texte) sind sehr empfehlenswert, da die Programmiersprache, Fachbegriffe und die Dokumentationen im Internet auf Englisch sind. Aus diesem Grund sind auch die erstellten Folien in der Schulung auf Englisch.
Lehrgangsverlauf/Methoden:
Das Seminar legt großen Wert auf Praxisorientierung. Die Teilnehmer haben die Möglichkeit, direkt und eigenständig mit der Programmiersprache Python in der Entwicklungsumgebung Spyder zu arbeiten. Dadurch können sie das Gelernte sofort in Übungen anwenden und vertiefen. Der Trainer unterstützt die Teilnehmer dabei, indem er verschiedene Aufgaben moderiert und sie durch die einzelnen Lehreinheiten begleitet.
Zielgruppe:
Dieser Python-basierte Machine Learning Kurs richtet sich an Fachleute wie Data Scientists, angehende Machine Learning Engineers, Datenanalysten, Business Intelligence Analysten und Data Analysten, die ihre Programmierkenntnisse in Python für Data Science und Data Mining vertiefen möchten. Die Schulung erweitert vorhandene Python-Programmierkenntnisse, um eigenständig Machine Learning mit scikit-learn umsetzen zu können
Seminarkennung:
54500
Nach unten
Nach oben
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.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha