Data Analytics mit Machine Learning - Ensemble-Methoden und Hyperparameter-Tuning
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 2 Tage
Ziele
In dieser 2-tägigen Schulung "Data Analytics mit Machine Learning - Ensemble-Methoden und Hyperparameter-Tuning" lernen Sie fortgeschrittene Methoden zur Verbesserung der Modellgenauigkeit und -effizienz kennen. Ziel ist es, Ihnen tiefe Einblicke in Ensemble-Methoden, Modellbewertung und Hyperparameter-Tuning zu vermitteln. Sie werden in der Lage sein, komplexe Machine Learning-Modelle zu implementieren, deren Leistung zu bewerten und zu optimieren. Praktische Anwendungen und Fallstudien unterstützen die Umsetzung des theoretischen Wissens in reale Szenarien.
Zielgruppe
- Data Scientists
- Data Analysten
- Fachkräfte im Bereich Datenanalyse
Voraussetzungen
Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:
- Grundlegende Kenntnisse in Machine Learning und Programmiererfahrung in Python
- Erste Erfahrungen mit gängigen ML-Bibliotheken (z.B. scikit-learn, TensorFlow) sind von Vorteil aber nicht zwingend erforderlich.
Agenda
Einführung in fortgeschrittene Machine Learning-Techniken
- Überblick über Machine Learning-Modelle und deren Einsatzgebiete
- Theoretische Grundlagen und Konzepte
Ensemble-Methoden
- Bagging-Methoden (z.B. Random Forests)
- Boosting-Methoden (z.B. Gradient Boosting, AdaBoost)
- Stacking und Blending
- Kombination von Modellen zur Erhöhung der Genauigkeit
Modellbewertung
- Evaluationsmetriken für Klassifikation und Regression
- Kreuzvalidierungstechniken
- ROC-Kurven und AUC
- Umgang mit unbalancierten Datensätzen
Hyperparameter-Tuning
- Bedeutung und Auswahl der richtigen Hyperparameter
- Grid Search und Random Search
- Bayesian Optimization
- Automatisierte Hyperparameter-Tuning-Tools
Feature Engineering und Auswahl
- Bedeutung von Feature Engineering im Machine Learning
- Techniken zur Feature-Auswahl und -Extraktion
- Einsatz von PCA und anderen Dimensionenreduktionsmethoden
Modellinterpretierbarkeit und -verwendung
- Methoden zur Modellinterpretation (z.B. SHAP, LIME)
- Ethische Überlegungen und Bias-Handling
- Produktionsreife und Modell-Deployment
Ziele
In dieser 2-tägigen Schulung "Data Analytics mit Machine Learning - Ensemble-Methoden und Hyperparameter-Tuning" lernen Sie fortgeschrittene Methoden zur Verbesserung der Modellgenauigkeit und -effizienz kennen. Ziel ist es, Ihnen tiefe Einblicke in Ensemble-Methoden, Modellbewertung und Hyperparameter-Tuning zu vermitteln. Sie werden in der Lage sein, komplexe Machine Learning-Modelle zu implementieren, deren Leistung zu bewerten und zu optimieren. Praktische Anwendungen und Fallstudien unterstützen die Umsetzung des theoretischen Wissens in reale Szenarien.
Zielgruppe
- Data Scientists
- Data Analysten
- Fachkräfte im Bereich Datenanalyse
Voraussetzungen
Für eine optimale Teilnahme am Kurs empfehlen wir folgende Vorkenntnisse:
- Grundlegende Kenntnisse in Machine Learning und Programmiererfahrung in Python
- Erste Erfahrungen mit gängigen ML-Bibliotheken (z.B. scikit-learn, TensorFlow) sind von Vorteil aber nicht zwingend erforderlich.
Agenda
Einführung in fortgeschrittene Machine Learning-Techniken
- Überblick über Machine Learning-Modelle und deren Einsatzgebiete
- Theoretische Grundlagen und Konzepte
Ensemble-Methoden
- Bagging-Methoden (z.B. Random Forests)
- Boosting-Methoden (z.B. Gradient Boosting, AdaBoost)
- Stacking und Blending
- Kombination von Modellen zur Erhöhung der Genauigkeit
Modellbewertung
- Evaluationsmetriken für Klassifikation und Regression
- Kreuzvalidierungstechniken
- ROC-Kurven und AUC
- Umgang mit unbalancierten Datensätzen
Hyperparameter-Tuning
- Bedeutung und Auswahl der richtigen Hyperparameter
- Grid Search und Random Search
- Bayesian Optimization
- Automatisierte Hyperparameter-Tuning-Tools
Feature Engineering und Auswahl
- Bedeutung von Feature Engineering im Machine Learning
- Techniken zur Feature-Auswahl und -Extraktion
- Einsatz von PCA und anderen Dimensionenreduktionsmethoden
Modellinterpretierbarkeit und -verwendung
- Methoden zur Modellinterpretation (z.B. SHAP, LIME)
- Ethische Überlegungen und Bias-Handling
- Produktionsreife und Modell-Deployment
