Zertifizierungskurs für maschinelles Lernen mit Python

Was werden Sie lernen?

1. Mathe-Auffrischung

   Kostenloser Kurs 1

   • Wahrscheinlichkeitsrechnung und Statistik
   • Koordinatengeometrie
   • Lineare Algebra
   • Eigenwerte, Eigenvektoren und Eigenwertzerlegung
   • Einführung in die Differential- und Integralrechnung

2. Grundlegende Statistik für Data Science

   Kostenloser Kurs 2

   • Einführung in die Statistik
   • Die Daten verstehen
   • Deskriptive Statistik
   • Datenvisualisierung
   • Wahrscheinlichkeit
   • Wahrscheinlichkeitsverteilungen
   • Stichprobenziehung und Stichprobenverfahren
   • Inferenzstatistik
   • Anwendung der Inferenzstatistik
   • Zusammenhang zwischen Variablen
   • Anwendung der Statistik in der Wirtschaft
   • Angeleitetes Üben

3. Einführung

   Lektion 01

   Verschaffen Sie sich zu Beginn dieses Programms einen Überblick über die Kursabschnitte und die behandelten Themen. So sind Sie gut auf die kommenden Einheiten vorbereitet.

4. Einführung in das maschinelle Lernen

   Lektion 02

   Der Kurs vermittelt die Grundlagen des maschinellen Lernens, einschließlich seiner Definition und der verschiedenen Arten. Darüber hinaus werden die Machine-Learning-Pipeline, MLOps und AutoML eingehend behandelt und Einblicke in die Bereitstellung von Machine-Learning-Modellen in großem Maßstab gegeben. Zusätzlich lernen die Teilnehmenden die wichtigsten Python-Pakete für Aufgaben des maschinellen Lernens kennen und werden so in die Lage versetzt, das leistungsfähige Python-Ökosystem zur Entwicklung von Machine-Learning-Lösungen zu nutzen.

   Themen:

   • Was ist maschinelles Lernen?
   • Verschiedene Arten des maschinellen Lernens
   • Machine-Learning-Pipeline, MLOps und AutoML
   • Einführung in Python-Pakete für maschinelles Lernen

5. Überwachtes Lernen

   Lektion 03

   Der Abschnitt zum überwachten Lernen behandelt dessen praktische Anwendungen in verschiedenen Bereichen und wird durch Diskussionen über seine Relevanz und Bedeutung in realen Anwendungsszenarien ergänzt. In praktischen Übungen bereiten die Studierenden Daten für Aufgaben des überwachten Lernens auf und bringen sie in eine geeignete Form. Anschließend werden Überanpassung und Unteranpassung diskutiert. Darüber hinaus werden praktische Übungen zum Erkennen und Vermeiden dieser Probleme sowie Einblicke in Regularisierungstechniken angeboten, um die Modellleistung zu optimieren und Überanpassung zu reduzieren.

   Themen:

   • Überwachtes Lernen
   • Anwendungen des überwachten Lernens
   • Überanpassung und Unteranpassung
   • Regularisierung

6. Regression und ihre Anwendung

   Lektion 04

   Dieser Abschnitt vermittelt die Grundlagen der Regressionsanalyse und behandelt deren Definition sowie verschiedene Verfahren, darunter lineare, logistische und polynomiale Regression sowie Ridge- und Lasso-Regression. In Diskussionen werden die zentralen Annahmen der linearen Regression herausgearbeitet, während praktische Übungen erste Erfahrungen mit der Erstellung linearer Regressionsmodelle ermöglichen. Die Teilnehmenden erkunden außerdem Daten unter Einsatz von Techniken wie dem SMOTE-Oversampling und lernen, Regressionsmodelle vorzubereiten, zu erstellen und zu bewerten, um einen sicheren Umgang mit der Regressionsanalyse zu entwickeln.

   Themen:

   • Was ist Regression?
   • Arten der Regression
   • Lineare Regression
   • Wesentliche Voraussetzungen für die lineare Regression
   • Logistische Regression
   • Oversampling mit SMOTE
   • Polynomregression
   • Ridge-Regression
   • Lasso-Regression

7. Klassifizierung und Anwendungen

   Lektion 05

   Dieser Abschnitt behandelt Klassifikationsalgorithmen sowie deren Definitionen, Typen und Anwendungsbereiche und die Auswahl von Leistungskennzahlen. Durch Diskussionen und angeleitete Übungen lernen die Teilnehmenden verschiedene Klassifikationsverfahren wie Naive Bayes, stochastischen Gradientenabstieg, k-nächste Nachbarn, Entscheidungsbäume, Random Forest, Boruta und Support Vector Machines eingehend kennen. Auch zentrale Konzepte wie Cohens Kappa werden besprochen. Anschließende Wissensüberprüfungen dienen dazu, das Verständnis zu festigen.

   Themen:

   • Was sind Klassifikationsalgorithmen?
   • Verschiedene Arten der Klassifizierung
   • Anwendungsarten und Auswahl der Leistungsparameter
   • Naiver Bayes
   • Stochastischer Gradientenabstieg
   • K-Nachbarpopulationen
   • Entscheidungsbaum Random Forest
   • Boruta
   • Support-Vektor-Maschine
   • Cohens Mantel

8. Unüberwachte Algorithmen

   Lektion 06

   Dieser Abschnitt führt die Studierenden in Algorithmen des unüberwachten Lernens ein und behandelt deren Arten, Anwendungsgebiete und Leistungskennzahlen. Die Teilnehmenden bearbeiten praktische Aufgaben, bei denen sie beispielsweise Ergebnisse visualisieren und Verfahren wie hierarchisches Clustering, K-Means-Clustering und den K-Medoids-Algorithmus anwenden. Darüber hinaus befassen sie sich mit Methoden zur Anomalieerkennung sowie mit Verfahren zur Dimensionsreduktion wie der Hauptkomponentenanalyse (PCA), der Singulärwertzerlegung und der Analyse unabhängiger Komponenten. Angeleitete Übungen veranschaulichen die praktische Anwendung dieser Algorithmen und vertiefen das Verständnis der Studierenden für die Konzepte des unüberwachten Lernens.

   Behandelte Themen:

   • Algorithmen für unüberwachtes Lernen
   • Verschiedene Arten von Algorithmen für unüberwachtes Lernen
   • Wann sollte man unüberwachte Lernalgorithmen einsetzen?
   • Leistungsparameter
   • Arten der Clusteranalyse
   • K-Means-Clustering
   • K-Medoids-Algorithmus
   • Ausreißer
   • Erkennung von Ausreißern
   • Hauptkomponentenanalyse
   • Korrespondenzanalyse und multiple Korrespondenzanalyse (MCA)
   • Singulärwertzerlegung
   • Unabhängige Komponentenanalyse
   • Balancierte iterative Reduktion und Clusterbildung mithilfe von Hierarchien (BIRCH)

9. Ensemble-Lernen

   Lektion 07

   Dieser Abschnitt behandelt Klassifikationsalgorithmen und ihre Definitionen, Arten und Anwendungsbereiche sowie die Auswahl von Leistungskennzahlen. In Diskussionen und angeleiteten Übungen setzen sich die Teilnehmenden intensiv mit verschiedenen Klassifikationsverfahren auseinander, darunter Naive Bayes, stochastischer Gradientenabstieg, K-nächste Nachbarn, Entscheidungsbäume, Random Forest, Boruta und Support Vector Machines. Auch zentrale Konzepte wie Cohens Kappa werden besprochen. Anschließende Wissensüberprüfungen festigen das Verständnis.

   Themen:

   • Was sind Klassifikationsalgorithmen?
   • Verschiedene Arten der Klassifizierung
   • Anwendungsarten und Auswahl der Leistungsparameter
   • Naive Bayes
   • Stochastischer Gradientenabstieg
   • K-Nachbarpopulationen
   • Entscheidungsbaum Random Forest
   • Boruta
   • Support-Vektor-Maschine
   • Cohens Mantel

10. Empfehlungssysteme

    Lektion 08

    Dieses Modul bietet einen umfassenden Überblick über Empfehlungssysteme und beleuchtet ihre zugrunde liegenden Prinzipien und Mechanismen. Die Teilnehmenden lernen verschiedene Anwendungsfälle und Beispiele für Empfehlungssysteme kennen und erhalten Einblicke in deren Konzeption und Implementierung. In praktischen Übungen wenden sie Techniken des kollaborativen Filterns an, darunter speicherbasierte Modellierung, objekt- und nutzerbasiertes Filtern sowie modellbasiertes kollaboratives Filtern. Darüber hinaus befassen sie sich mit Dimensionsreduktion, Matrixfaktorisierungsverfahren und Genauigkeitsmatrizen im maschinellen Lernen, um die Leistungsfähigkeit von Empfehlungssystemen zu bewerten und zu optimieren.

    Themen:

    • Wie funktionieren Empfehlungssysteme?
    • Anwendungsfälle für Empfehlungssysteme
    • Beispiele für Empfehlungssysteme und deren Gestaltung ¨
    • Ein Empfehlungssystem mit PyTorch erstellen.

11. Industrieprojekte

    Am Ende des Kurses wirst du zwei Projekte bearbeiten. Dabei wirst du alles Gelernte anwenden und praktische Erfahrungen mit deinem neuen Wissen sammeln.

    • Projekt 1: Analyse der Mitarbeiterfluktuation – Entwickeln Sie Programme für maschinelles Lernen zur Vorhersage der Mitarbeiterfluktuation, einschließlich Datenqualitätsprüfungen, explorativer Datenanalyse (EDA), Clustering usw., und schlagen Sie auf Basis der berechneten Wahrscheinlichkeiten Strategien zur Mitarbeiterbindung vor.
    • Projekt 2: Segmentierung von Songs – Führen Sie eine explorative Datenanalyse und eine Clusteranalyse durch, um Songs zu Gruppen zusammenzufassen.