Schulungsübersicht
Einführung
Dieser Abschnitt bietet eine allgemeine Einführung in die Frage, wann «Maschinelles Lernen» eingesetzt werden sollte, welche Überlegungen dabei anfallen und was alles damit gemeint ist – einschließlich der Vor- und Nachteile. Behandelt werden Datentypen (strukturiert/unstrukturiert/statisch/Streaming), Datenvalidität/-volumen, datengetriebene versus nutzergetriebene Analytik, statistische Modelle im Vergleich zu Modellen des Maschinellen Lernens, Herausforderungen im unüberwachten Lernen, der Bias-Variance-Kompromiss, Iteration/-evaluation, Ansätze der Kreuzvalidierung sowie überwachtes/unüberwachtes/Reward-basiertes Lernen.
WICHTIGE THEMEN
1. Verständnis des Naive Bayes
- Grundlegende Konzepte der Bayesianischen Methoden
- Wahrscheinlichkeit
- Gemeinsame Wahrscheinlichkeit
- Bedingte Wahrscheinlichkeit nach dem Satz von Bayes
- Der Naive-Bayes-Algorithmus
- Die Naive-Bayes-Klassifizierung
- Der Laplace-Schätzer
- Nutzung numerischer Merkmale mit Naive Bayes
2. Verständnis von Entscheidungsbäumen
- Teile und herrsche (Divide and conquer)
- Der C5.0-Entscheidungsbaum-Algorithmus
- Wahl der besten Aufteilung
- Pflegen/Verkleinern (Pruning) des Entscheidungsbauums
3. Verständnis von neuronalen Netzen
- Von biologischen zu künstlichen Neuronen
- Aktivierungsfunktionen
- Netzwerktopologie
- Die Anzahl der Schichten
- Die Richtung des Informationsflusses
- Die Anzahl der Knoten in jeder Schicht
- Training neuronaler Netze mit Backpropagation
- Deep Learning
4. Verständnis von Support-Vektor-Maschinen
- Klassifizierung mit Hyperflächen
- Finden des maximalen Randes (Maximum Margin)
- Der Fall linear trennbarer Daten
- Der Fall nicht linear trennbarer Daten
- Nutzung von Kernen (Kernels) für nichtlineare Räume
5. Verständnis von Clustering
- Clustering als Aufgabe im Maschinellen Lernen
- Der k-means-Algorithmus für Clustering
- Nutzung des Abstands zur Zuordnung und Aktualisierung von Clustern
- Wahl der angemessenen Anzahl von Clustern
6. Messung der Leistung bei der Klassifizierung
- Arbeit mit Klassifizierungsvorhersagedaten
- Verstärkter Blick auf Verwechslungsmatrizen (Confusion Matrices)
- Nutzung von Verwechslungsmatrizen zur Leistungsmessung
- Jenseits der Genauigkeit – weitere Leistungsmetriken
- Die Kappa-Statistik
- Sensitivität und Spezifität
- Präzision und Recall (Trefferquote)
- Die F-Maßgrösse (F-measure)
- Visualisierung von Leistungskompromissen
- ROC-Kurven
- Schätzung der zukünftigen Leistung
- Die Holdout-Methode
- Kreuzvalidierung
- Bootstrap-Stichprobung
7. Anpassung vorgegebener Modelle für bessere Leistung
- Nutzung von caret für automatisierte Parameteranpassung (Tuning)
- Erstellung eines einfach abgestimmten Modells
- Anpassung des Abstimmungsprozesses
- Verbesserung der Modellleistung durch Meta-Lernen
- Verständnis von Ensembles
- Bagging
- Boosting
- Zufalls-Wälder (Random Forests)
- Training von Zufalls-Wäldern
- Bewertung der Leistung von Zufalls-Wäldern
WEITERE THEMEN
8. Verständnis der Klassifizierung anhand der nächsten Nachbarn
- Der kNN-Algorithmus
- Berechnung des Abstands
- Wahl eines angemessenen k
- Vorbereitung der Daten für die Verwendung mit kNN
- Warum ist der kNN-Algorithmus «lazy» (faul)?
9. Verständnis von Klassifizierungsregeln
- Trenne und herrsche (Separate and conquer)
- Der One-Rule-Algorithmus
- Der RIPPER-Algorithmus
- Regeln aus Entscheidungsbäumen
10. Verständnis von Regression
- Einfache lineare Regression
- Schätzung der kleinsten Quadrate (Ordinary Least Squares)
- Korrelationen
- Mehrfache lineare Regression
11. Verständnis von Regressionsbäumen und Modellbäumen
- Hinzufügen von Regression zu Bäumen
12. Verständnis von Assoziationsregeln
- Der Apriori-Algorithmus für das Lernen von Assoziationsregeln
- Messung des Regelinteresses – Support und Konfidenz
- Aufbau eines Regelsatzes anhand des Apriori-Prinzips
Zusätzliches
- Spark/PySpark/MLlib und Multi-Armed-Bandit-Probleme
Voraussetzungen
Kenntnisse in Python
Erfahrungsberichte (7)
Ich habe das Training sehr genossen und schätze die tiefgehende Auseinandersetzung mit dem Thema Maschinelles Lernen. Das Gleichgewicht zwischen Theorie und praktischen Anwendungen, insbesondere die praktischen Programmierübungen, hat mir besonders gefallen. Der Trainer präsentierte ansprechende Beispiele und gut durchdachte Übungen, die das Lerngefühl verbesserten. Der Kurs behandelte eine breite Palette von Themen, und Abhi zeigte ausgezeichnetes Fachwissen, indem er alle Fragen klar und leicht verständlich beantwortete.
Valentina
Kurs - Machine Learning
Maschinelle Übersetzung
Ich schätze das Übung, die mir half, die Theorie zu verstehen und Schritt für Schritt anzuwenden. Auch die Art und Weise, wie der Trainer alles einfach und klar erklärte, war sehr hilfreich. Es war leicht zu folgen, obwohl ich nicht sehr erfahren bin im Umgang mit Python. Dennoch wollte ich keine Gelegenheit verpassen, etwas zu lernen, das mich wirklich interessiert. Ich schätze auch die Vielfalt der bereitgestellten Informationen und die Bereitschaft des Trainers, uns bei der Verständnis der Konzepte zu erklären und zu unterstützen. Nach diesem Kurs sind mir die Konzepte des Maschinellen Lernens viel klarer geworden, und ich fühle mich nun, als hätte ich eine Richtung und ein besseres Verständnis des Themas.
Cristina
Kurs - Machine Learning
Maschinelle Übersetzung
Am Ende des Trainings konnte ich die praktischen Anwendungsbeispiele der vorgestellten Themen erkennen.
Daniel
Kurs - Machine Learning
Maschinelle Übersetzung
Mir hat das Tempo gefallen, der gute Ausgleich zwischen Theorie und Praxis, die behandelten Hauptthemen und die Art, wie der Trainer alles gut abgewogen hat. Ich schätze auch sehr Ihre Trainingsinfrastruktur, mit den VMs ist sehr praktisch zu arbeiten.
Andrei
Kurs - Machine Learning
Maschinelle Übersetzung
Kurz und prägnant. Erstellung von Intuition und visuellen Modellen zu den Konzepten (Entscheidungsbaum-Graph, lineare Gleichungen, manuelles Berechnen von y_pred, um das Funktionieren des Modells zu veranschaulichen).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Es half mir, mein Ziel zu erreichen, das Maschinelles Lernen zu verstehen. Ich habe viel Respekt vor Pablo für die gründliche Einführung in dieses Thema, da nach drei Tagen Training klar wird, wie umfangreich dieses Gebiet ist. Ich habe auch die Idee der virtuellen Maschinen sehr geschätzt, die du bereitgestellt hast und die eine sehr gute Latenz aufwiesen! Dadurch konnte jeder Kursteilnehmer im eigenen Tempo Experimente durchführen.
Silviu - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Die praktische Umsetzung der Theorie ist großartig, da man sieht, wie sich die theoretischen Inhalte in etwas Praktisches verwandeln.
Lisa Fekade - Vodacom
Kurs - Machine Learning
Maschinelle Übersetzung
