Zertifizierungskurs für maschinelles Lernen mit Python

• Wahrscheinlichkeit und Statistik
• Analytische Geometrie
• Lineare Algebra
• Eigenwerte, Eigenvektoren und Eigenzerlegung
• Einführung in die Analysis

• Einführung in die Statistik
• Datenverständnis
• Beschreibende Statistik
• Datenvisualisierung
• Wahrscheinlichkeit
• Wahrscheinlichkeitsverteilungen
• Stichproben und Stichprobentechniken
• Inferenzstatistik
• Anwendung der Inferenzstatistik
• Beziehung zwischen Variablen
• Anwendung der Statistik im Geschäftsbereich
• Unterstützte Praxis

Beginnen Sie dieses Programm, indem Sie die Kursabschnitte und die behandelten Themen verstehen. Dies wird Ihnen helfen, sich auf die kommenden Sitzungen vorzubereiten.

Der Kurs behandelt die grundlegenden Konzepte des maschinellen Lernens, einschließlich seiner Definition und verschiedenen Typen. Er bietet auch einen tieferen Einblick in die Pipeline des maschinellen Lernens, MLOps und AutoML, und liefert Erkenntnisse darüber, wie man maschinelle Lernmodelle im großen Maßstab einsetzt. Zusätzlich werden die Studierenden mit den wichtigsten Python-Paketen für Aufgaben des maschinellen Lernens vertraut gemacht, was ihnen ermöglicht, das robuste Ökosystem von Python zu nutzen, um Lösungen für maschinelles Lernen zu entwickeln.

Themen:

• Was ist maschinelles Lernen?
• Verschiedene Arten von maschinellem Lernen
• Pipeline für maschinelles Lernen, MLOps und automatisiertes maschinelles Lernen
• Einführung in Python-Pakete für maschinelles Lernen

Der Abschnitt über überwachtes Lernen untersucht dessen praktische Anwendungen in verschiedenen Bereichen und wird begleitet von Diskussionen über seine Relevanz und Bedeutung in realen Szenarien. Die Studierenden beschäftigen sich mit praktischen Aktivitäten, um Daten für Aufgaben des überwachten Lernens vorzubereiten und zu formen, gefolgt von Diskussionen über Overfitting und Underfitting. Zusätzlich werden praktische Übungen angeboten, um diese Probleme zu erkennen und zu vermeiden, sowie Einblicke in Regularisierungstechniken, um die Modellleistung zu optimieren und Overfitting zu reduzieren.

Themen:

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

Dieses Segment behandelt die Grundlagen der Regressionsanalyse, einschließlich der Definition und verschiedener Typen wie linearer, logistischer, polynomialer, Ridge- und Lasso-Regression. Diskussionen beleuchten die kritischen Annahmen, die der linearen Regression zugrunde liegen, und praktische Übungen bieten praktische Erfahrungen im Modellieren linearer Regressionen. Die Teilnehmer werden sich auch mit der Datenexploration beschäftigen, indem sie Techniken wie SMOTE-Oversampling verwenden und Regressionmodelle vorbereiten, aufbauen und bewerten, um in der Regressionsanalyse kompetent zu werden.

Themen:

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

Dieser Abschnitt behandelt Klassifizierungsalgorithmen und ihre Definitionen, Arten und Anwendungen sowie die Auswahl von Leistungsparametern. Die Teilnehmer werden in verschiedene Klassifizierungstechniken eingeführt, wie Naive Bayes, Stochastic Gradient Descent, K-Nearest Neighbours, Entscheidungsbäume, Random Forest, Boruta und Support Vector Machines, durch Diskussionen und angeleitete Übungen. Wichtige Konzepte wie Cohens Kappa werden ebenfalls besprochen, gefolgt von Wissensüberprüfungen, um das Verständnis zu festigen.

Themen:

• Was sind Klassifizierungsalgorithmen?
• Verschiedene Arten der Klassifikation
• Arten von Anwendungen und Auswahl der Leistungsparameter
• Naive Bayes
• Stochastischer Gradientenabstieg
• K-Nachbarschaftspopulationen
• Entscheidungsbaum Zufallswald
• Boruta
• Stützvektormaschine
• Cohens Mantel

Dieses Segment führt die Studierenden in unüberwachte Algorithmen ein, behandelt deren Typen, Anwendungen und Leistungsparameter. Die Teilnehmer beschäftigen sich mit praktischen Aktivitäten wie der Visualisierung von Ergebnissen und wenden Techniken wie hierarchische Clusterbildung, K-Means-Clustering und den K-Medoids-Algorithmus an. Zusätzlich erkunden sie Methoden zur Anomalieerkennung und Techniken zur Dimensionsreduktion wie die Hauptkomponentenanalyse (PCA), Singulärwertzerlegung und Unabhängige Komponentenanalyse. Praktische Anwendungen dieser Algorithmen werden durch angeleitete Übungen demonstriert, was das Verständnis der Studierenden für Konzepte des unüberwachten Lernens verbessert.

Behandelte Themen:

• Unüberwachte Algorithmen
• Verschiedene Arten von unbeaufsichtigten Algorithmen
• Wann sollte man unüberwachte Algorithmen verwenden?
• Parameter für die Leistung
• Arten der Clusterbildung
• K-Means-Clustering
• K-Medoids-Algorithmus
• Ausreißer
• Erkennung von Ausreißern
• Hauptkomponentenanalyse
• Korrespondenzanalyse und multiple Korrespondenzanalyse (MCA)
• Singulärwertzerlegung
• Unabhängige Komponentenanalyse
• Ausgeglichene iterative Reduktion und Clusterbildung unter Verwendung von Hierarchien (BIRCH)

Dieser Abschnitt behandelt Klassifizierungsalgorithmen und ihre Definitionen, Typen und Anwendungen sowie die Wahl der Leistungsparameter. Die Teilnehmer werden in verschiedene Klassifizierungstechniken eingeführt, wie Naive Bayes, Stochastischer Gradientenabstieg, K-Nächste Nachbarn, Entscheidungsbäume, Zufallswälder, Boruta und Support-Vektor-Maschinen, durch Diskussionen und angeleitete Übungen. Wichtige Konzepte wie Cohens Kappa werden ebenfalls besprochen, gefolgt von Wissensüberprüfungen, um das Verständnis zu festigen.

Themen:

• Was sind Klassifizierungsalgorithmen?
• Verschiedene Arten der Klassifikation
• Arten von Anwendungen und Auswahl der Leistungsparameter
• Naive Bayes
• Stochastischer Gradientenabstieg
• K-Nachbarschaftspopulationen
• Entscheidungsbaum Zufallswald
• Boruta
• Stützvektormaschine
• Cohens Mantel

Dieses Modul bietet einen umfassenden Überblick über Empfehlungssysteme und erforscht deren zugrundeliegende Prinzipien und Mechanismen. Die Teilnehmer tauchen in verschiedene Anwendungsfälle und Beispiele von Empfehlungssystemen ein und gewinnen Einblicke in deren Gestaltung und Implementierung. Durch praktische Übungen wenden die Teilnehmer Techniken des kollaborativen Filterns an, einschließlich speicherbasierter Modellierung, objektbasierter und nutzerbasierter Filterung sowie modellbasiertes kollaboratives Filtern. Zusätzlich erforschen sie die Dimensionsreduktion, Matrixfaktorisierungsmethoden und Genauigkeitsmatrizen im maschinellen Lernen, um die Leistung von Empfehlungsmotoren zu bewerten und zu optimieren.

Themen:

• Wie funktionieren Empfehlungsmaschinen?
• Anwendungsfälle für Empfehlungsmaschinen
• Beispiele für Empfehlungssysteme und wie sie entworfen werden
• Mit PyTorch eine Empfehlungsmaschine erstellen.

Am Ende des Kurses werden Sie zwei Projekte durchführen. Sie werden alles, was Sie gelernt haben, anwenden und praktische Erfahrungen mit Ihrem neuen Wissen sammeln.

• Projekt 1: Analyse der Mitarbeiterfluktuation - Erstellen Sie ML-Programme zur Vorhersage der Mitarbeiterfluktuation, einschließlich Datenqualitätskontrollen, explorativer Datenanalyse, Clusterbildung usw., und schlagen Sie Mitarbeiterbindungsstrategien basierend auf Wahrscheinlichkeitswerten vor.
• Projekt 2: Segmentierung von Liedern - Durchführung explorativer Datenanalyse und Clusteranalyse zur Erstellung von Liederkohorten.