Machine Learning mit Python

DAS LERNEN SIE

• Teil 1: Einführung

  Zunächst beschäftigen wir uns mit den grundlegenden Konzepten von Machine Learning, die interessanterweise schon vor 50 Jahren erarbeitet wurden. Trotz des aktuellen Hypes handelt es sich also um eine altbewährte Methode, die größtenteils auf einfachen mathematischen Grundlagen wie der linearen Algebra beruht.

• Teil 2: Feature-Modellierung und Statistik

  Basis für Machine Learning sind Vektoren. Oft liegen Daten schon in dieser Form vor, teilweise müssen sie aber auch erst transformiert werden. Diese sogenannte Feature-Modellierung ist ein entscheidender Hebel, um Projekte zum Erfolg zu führen. Wir lernen sie in diesem Webinar praxisnah.

  Basis für alle Machine Learning Projekte sind Daten, die sich dafür eignen. Diese Eignung müssen wir durch eine (einfache) statistische Analyse nachweisen, um ein späteres Scheitern des Projekts zu verhindern.

• Teil 3: Überwachtes Lernen

  Ein großer Teilbereich von Machine Learning ist das überwachte Lernen. Hier versuchen wir, Vorhersagen zu treffen. Dabei können Algorithmen aus bereits vorhanden Daten (den Trainingsdaten) lernen und ein Modell aufbauen. Mithilfe einer unabhängigen Testdatenmenge können wir die Vorhersagen des Modells dann verifizieren.

  In diesem Teil beschäftigen wir uns mit Klassifikation und Regression und erklären Qualitätsmetriken, mit denen die Performance von ML-Modellen gemessen werden kann.

  Als speziellen Anwendungsfall betrachten wir Zeitreihen und die damit möglichen Trend-Vorhersagen.

• Teil 4: Unüberwachtes Lernen

  Unüberwachtes Lernen benötigt keine Trainingsdaten, sondern die Algorithmen versuchen selbstständig, Ordnung ins Chaos zu bringen und Strukturen zu finden. In diesem Teil beschäftigen wir uns mit unterschiedlichen Cluster-Methoden und der Dimensionsreduktion. Visualisierungen spielen dabei eine große Rolle.

• Teil 5: Fragen und Antworten

  Im letzten Teil sammeln wir Fragen, die im Verlauf des Webinars aufgetreten sind und versuchen diese möglichst gleich zu beantworten. Auch eigene Projektideen sind sehr willkommen und können dann gleich diskutiert werden.

• Notwendige Vorkenntnisse

  • Python-Kenntnisse sind hilfreich, aber nicht unbedingt notwendig. Wir werden keine Schleifen oder Funktionen programmieren, sondern uns auf die scikit-learn-Funktionen konzentrieren und sie erklären. Das sind eher einzelne Funktionsaufrufe, die man in nahezu jeder Programmiersprache genauso machen könnte.
  • Eine Entwicklungsumgebung ist nicht notwendig, die im Webinar gezeigten Beispiele funktionieren alle auf Google Colab. Dafür wird lediglich ein Google-Account benötigt.