Scikit-Learn ML (maschinelles Lernen) mit Python

Kursnummer - Dauer der 'Scikit-Learn' Schulung

Voraussetzungen

Inhalte der 'Scikit-Learn' Schulung

Scikit-Learn ist ein großes, mächtiges Python-Paket für maschinelles Lernen. Es ist das am meisten verwendete Framework für maschinelles Lernen ohne neuronale Netze. Es erlaubt, mit wenigen Zeilen Code sehr komplexe Modelle zu erstellen und anzuwenden. Der Scikit-Learn-Kurs richtet sich an Ingenieure, Wirtschaftswissenschaftler, Marketing-Experten, Berater, die Algorithmen des maschinellen Lernens für Software verwenden wollen, die von Daten selbständig lernt und dann im laufenden Betrieb autonom agiert.

Nach dem Kurs werden die TeilnehmerInnen in der Lage sein, sehr mächtige, moderne Vorhersagemodelle mit relativ wenig Code-Zeilen zu erstellen und produktiv einzusetzen.

• Supervised Learning - Grundlagen:
• • Lineare Regression
  • Messen der Qualität eines Vorhersagemodells.
  • Die sklearn.model_selection.train_test_split() Routine.
  • Methoden, um die relevanten Features zu finden.
  • Visualisierung der Interaktion von Variablen mit seaborn.
  • Hauptmethoden von sklearn Predictor Instanzen.
  • Qualitätsmessung mit der cross_val_score() Funktion.
  • Logistische Regression.
• Supervised Learning - wichtige Tools:
• • sklearn.preprocessing.LabelEncoder
  • Predictors and Transformers interagieren mit Pandas.
  • Qualitäts-Metriken für Modelle.
  • Visualisierung der learning-curve.
• Supervised Learning - wichtige Analysetechniken:
• • Regularisierung, um Overfitting zu vermeiden.
  • Evaluierung von Klassifikationsmodellen.
  • Visualisierung der Qualität von Klassifikationsmodellen.
  • Feature Engineering.
• Support-Vektor-Maschinen:
• • Support-Vektor-Classifiers.
  • sklearn.svm package's SVC Predictors
  • Support-Vektor-Regression.
  • Wie man gute Modell-Parameter findet.
• Daten transformieren, um Vorhersage-Modelle zu verbessern:
• • Principal Components Transformer
  • Space Density Transformer
  • Pipelines
  • Nicht-numerische in numerische Daten transformieren.
  • Scikit-Learn Transformers
  • Das Modul to_numeric_frame
• Entscheidungsbäume, Random Forests, GradientBoost:
• • Entscheidungsbäume für Klassifikation
  • Entscheidungsbäume für Regression
  • RandomForrest
  • GradientBoost und andere Ensemble-Methoden.
  • ScikitLearn-Modelle speichern und wieder laden.
• Unsupervised Learning:
• • Clustering
  • k-means-clustering
  • Die Elbow-Methode
  • Mean shift clustering