Machine Learning ist eine Gruppe von Verfahren zur Analyse von Daten. Die Algorithmen lernen aus den Daten. Sie erkennen Zusammenhänge und Muster und bauen Modelle. Diese Modelle nutzen wir für Vorhersagen, Entscheidungen und Planungen.
Wir zeigen die Lerntypen:
- Supervised Learning (Überwachtes Lernen)
- Unsupervised Learning (Unüberwachtes Lernen)
- Reinforcement Learning (Bestärkendes Lernen)
Wir zeigen den Standard-Workflow: Daten aufbereiten, visualisieren, analysieren, Modell bilden, vorhersagen, entscheiden, planen.
Python ist sehr gut für Machine Learning geeignet. SciPy und SciKit-Learn sind mächtige Programmbibliotheken (Frameworks). Jupyter ist ein interaktives Notebook. Damit lassen sich Aufgaben der Daten Analyse interaktiv lösen.
Dies Kurs behandelt nicht die Verfahren mit Neuronalen Netzen. Das ist die nächste Stufe: Deep Learning: Daten Analyse mit erweiterten (tiefen) Neuronalen Netzen
Sie lernen die Konzepte des Machine Learning in anschaulichen Beispielen in Python. Sie lernen selbständig Aufgaben des Machine Learning zu lösen.
Sie bekommen die Programmbeispiele und die Aufgaben mit Lösungen. Sie bekommen einen Spickzettel für alle Konzepte des Machine Learning und ein eBook: „Machine Learning mit Python und Scikit-Learn“.
Zielgruppe
- Programmierer*innen in Python
- Datenanalytiker*innen
Voraussetzungen
- Kenntnisse in Python
- Numerische Methoden mit Python, Jupyter, NumPy, Pandas und Mathplotlib
- Numerische Methoden mit Python und SciPy 1: Lineare Algebra, numerische Differentiation und Integration
- Statistik mit Python und Jupyter
- Datenanalyse mit Python und Jupyter
Inhalt
- Machine Learning
- Die Lerntypen
- Supervised Learning (Überwachtes Lernen)
- Unsupervised Learning (Unüberwachtes Lernen)
- Reinforcement Learning (Bestärkendes Lernen)
- Supervised Learning
- Klassifikation
- Linear Classifiers
- Logistic Regression (ist eine Klassifikation)
- Naive Bayes Classifier
- Support Vector Machines
- Decision Trees
- Random Forest
- K-Nearest Neighbours
- Regression
- Lineare Regression
- Multivariate Regression
- Unsupervised Learning
- Clustering
- KMeans
- Hierarchical Clustering
- PCA
- Multivariate Verfahren
Den ausführlichen Inhalt teilen wir Ihnen gerne auf Anfrage mit.
Dauer
- 2 Tage (Standard) oder 4 Tage (intensiv)
- Jeweils 9-16 Uhr, 1 Stunde Mittagspause
Kosten
Kosten für 2 Tage.
| Online pro Person | 980,– € |
| Präsenz in München pro Person | 1.380,– € |
| Präsenz in Deutschland pro Person | 1.780,– € |
| Inhouse in München für 2 Personen | 1.600,– € |
| Inhouse in Deutschland für 2 Personen | 2.000,– € |
Kosten
Kosten für 4 Tage.
| Online pro Person | 1.840,– € |
| Präsenz in München pro Person | 2.640,– € |
| Präsenz in Deutschland pro Person | 3.440,– € |
| Inhouse in München für 2 Personen | 2.600,– € |
| Inhouse in Deutschland für 2 Personen | 3.400,– € |