Einführung in Machine Learning mit Python – von Datenaufbereitung bis Deep Learning

• Du verstehst die grundlegenden Konzepte, Verfahren und Begriffe des maschinellen Lernens und kannst deren Anwendungsbereiche einordnen.

• Du bist in der Lage, einfache Machine-Learning-Modelle mit Python und gängigen Bibliotheken selbst zu entwickeln und zu erproben.

• Du kennst die Chancen und Grenzen von Machine-Learning-Methoden und beurteilst deren Einsatz für eigene Projekte.

Inhalt

Dieser Classroom vermittelt dir die wichtigsten Grundlagen und Werkzeuge des maschinellen Lernens mit Python – von Datenaufbereitung über verschiedene Lernalgorithmen bis zu künstlichen neuronalen Netzen und Deep Learning. In den ersten beiden Sessions lernst du die Bibliotheken NumPy und pandas kennen und nutzt Matplotlib sowie seaborn, um Daten professionell zu visualisieren. Damit legst du das Fundament für alle weiteren Schritte im Machine-Learning-Prozess.

Im Weiteren führt dich unser Experte in die Grundbegriffe von KI und Machine Learning ein. Du arbeitest mit scikit-learn und erprobst überwachte Lernverfahren anhand praktischer Beispiele, etwa Klassifikation, Regression und Support Vector Machines. Darauf aufbauend erweiterst du dein Wissen um Entscheidungsbäume, Random Forests, Clustering und Reinforcement Learning. Du lernst, aus ungelabelten Daten wertvolle Erkenntnisse zu gewinnen.

Den Abschluss des Classrooms bildet das Thema Deep Learning. Hier erstellst du mit Keras und TensorFlow eigene künstliche neuronale Netze und entwickelst eine erste Anwendung zur Bilderkennung. Unser Experte zeigt dir dabei auch die Herausforderungen und Schwachstellen, die beim Einsatz von Deep Learning auftreten.

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

Kenntnisse einer höheren Programmiersprache werden vorausgesetzt. Elementare Python-Grundlagen sind hilfreich. Die dritte und vierte Session setzen zudem Grundkenntnisse in Python, pandas und Matplotlib voraus, die in den ersten beiden Sessions des Classrooms erarbeitet werden.

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

Agenda

• Einstieg in die Python-Bibliotheken NumPy und pandas für die Datenaufbereitung im Machine-Learning-Prozess

• Professionelle Datenvisualisierung mit Matplotlib und seaborn

• Überwachte Lernverfahren mit scikit-learn am praktischen Beispiel

• Entscheidungsbäume, Random Forests und weitere Ensemble-Methoden zur Modelloptimierung

• Unüberwachtes Lernen mit Clustering-Verfahren und Reinforcement Learning zur Analyse ungelabelter Daten

• Aufbau künstlicher neuronaler Netze mit Keras und TensorFlow als Einstieg in Deep Learning