Entscheidungsbäume, unüberwachtes und bestärkendes Lernen im Machine Learning

• Du lernst, was Entscheidungsbäume und daraus konstruierte Random Forests sind und wie diese zu einer Fehlerreduktion beitragen.

• Du experimentierst mit Clustering als typischem Vertreter des unüberwachten Lernens.

• Du machst dich anhand diverser Beispiele mit dem Reinforcement Learning vertraut.

Inhalt

Für maschinelles Lernen stellen gelabelte Daten das beste Ausgangsmaterial dar. Meist liegen sie allerdings nicht in entsprechendem Umfang und Güte vor. Mithilfe von überwachten, halbüberwachten und bestärkenden Lernalgorithmen gewinnst du dennoch aufschlussreiche Erkenntnisse aus ungelabelten Daten.

Unser Experte stellt Entscheidungsbäume und den darauf basierenden Random Forest vor. Dies sind typische Vertreter aus dem Bereich des Ensemble Learnings, die Fehler einzelner Algorithmen reduzieren.

Aus der Familie des unüberwachten Lernens (engl. unsupervised learning) lernst du im Weiteren mit Clustering einen typischen Vertreter kennen, der sich für viele Anwendungen eignet, etwa Anomalieerkennung oder Bildsegmentierung.

Reinforcement Learning eröffnet dir darauf aufbauend weitere Möglichkeiten des maschinellen Lernens. Anhand detaillierter Demonstrationen machst du dir ein Bild von den umfangreichen Möglichkeiten dieser Technik.

Zielgruppe

Der Classroom richtet sich an alle Personen aus dem Softwarebereich mit Programmiererfahrung in einer höheren Programmiersprache (idealerweise Python), die einen fundierten, praxisorientierten Einstieg in das maschinelle Lernen suchen. Angesprochen sind insbesondere Softwareentwicklerinnen und -entwickler, Data Analysts sowie technisch versierte Fachkräfte, die Machine-Learning-Methoden verstehen, einordnen und in eigenen Projekten anwenden möchten.

Voraussetzungen

Grundkenntnisse in Python, pandas und Matplotlib werden vorausgesetzt. Ein Besuch der ersten beiden Sessions des Classrooms deckt diese Kenntnisse ab.

Die Folien der Präsentation sind aufgrund zahlreicher englischer Begriffe vollständig in englischer Sprache gehalten, um eine bessere Lesbarkeit zu erzeugen. Der Vortrag findet in deutscher Sprache statt.

Agenda

• Strategien zum Umgang mit ungelabelten Daten entwickeln

• Entscheidungsbäume als grundlegendes Modell des maschinellen Lernens

• Random Forests als Ensemble-Learning-Methode zur Reduktion von Fehlern

• Clustering als typischer Vertreter des unüberwachten Lernens

• Reinforcement Learning anhand praxisnaher Beispiele