Machine Learning Basics

Durch die stetig wachsende Menge und Verfügbarkeit von Daten und deren vielseitige Einsatzmöglichkeiten nimmt die Bedeutung und Notwendigkeit der automatisierten Analyse und Generierung höherwertiger Information drastisch zu. Konzepte und Algorithmen aus dem Bereich des Machine Learnings ermöglichen es, aus den Daten neue Erkenntnisse zu gewinnen, aufwändige und datenlastige Prozesse zu automatisieren und Modelle zur Vorhersage zu entwickeln. Dieses Seminar bietet einen Einstieg in die Themen Data Science und Machine Learning. Sie bekommen einen Überblick über die wichtigsten Methoden und lernen Algorithmen zur Regression, Klassifikation und zum Clustering kennen. In praktischen Übungen verwenden Sie Python, um Daten aufzubereiten und eigene Modelle zu entwickeln.

Zielgruppe:

Einsteiger in die Themen Data Science und Maschinelles Lernen

Voraussetzung:

Grundlagen der Programmiersprache Python und der Pakete numpy, pandas und matplotlib.

Ziele/Nutzen des Seminars:

• Sie lernen fundamentale Algorithmen und Hintergründe kennen.
• Sie kennen den Unterschied zwischen Supervised und Unsupervised Learning.
• Sie kennen die wichtigsten Machine-Learning-Modelle.
• Sie lernen Tipps & Tricks für die Datenanalyse und das Data Engineering kennen.
• Sie lernen die wichtigsten Kennzahlen und Konzepte zur Analyse der Qualität von Machine-Learning-Modellen kennen.
• Sie kennen Vorgehensmodelle, um Data-Science-Probleme zu untersuchen.

Inhalte:

• Grundlagen der Statistik, Klassifikation, Regression und Clustering
• Modellentwicklung mit dem Python-Paket scikit-learn
• Die Modelle: Lineare Regression, k-Nächste-Nachbarn, Baummodelle, Ensemble-Modelle und neuronale Netze
• Vorgehensweisen bei der Exploration und Analyse von Datensätzen
• Data-Engineering-Methoden
• Modelloptimierung und Hyperparameter-Tuning
• Methoden zur Validierung und Bewertung von Modellen