Machine Learning mit scikit-learn und PyTorch für Python-Programmierer
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 3 Tage
Ziele
In dieser 3-tägigen Schulung "Machine Learning mit scikit-learn und PyTorch für Python-Programmierer" lernen Sie die Grundlagen des klassischen Machine Learnings und des Deep Learnings.
Der Kurs bietet eine umfassende Einführung in das maschinelle Lernen. Wir starten mit einer Einführung in das klassische Machine Learning zur Klassifikation und Regression mit Verfahren wie beispielsweise Decision Trees und Ensemble Methoden wie Random Forests. Nebem dem supervised Machine Learning werden auch unsupervised Machine Learning Verfahren wie das Clustering und die Anomalie-Detektion in Daten besprochen. Außerdem werden Neuronale Netze / Deep Learning Verfahren zur Lösung konkreter Probleme anhand von Fallstudien erläutert. Nach Abschluss des Kurses können Sie Python effektiv im maschinellen Lernen einsetzen und Modelle für Klassifikation und Vorhersage erstellen.
Zielgruppe
- Entwickler
- Data Scientists
- Analysten
Voraussetzungen
- Grundkenntnisse in einer Programmiersprache (idealerweise Python)
Agenda
Grundlagen und Einführung in Machine Learning
- Einführung in Machine Learning: Konzepte, Arten und Anwendungen
- Python-Grundlagen für Machine Learning: Einführung in NumPy, Pandas, Matplotlib
- Datenvorbereitung: Skalierung, Normalisierung, Encoding
- Einführung in Scikit-learn und Arbeiten mit Datensätzen
- Lineare Regression: Grundlagen, Training und Evaluierung eines Modells
- Klassifikationsprobleme: Entscheidungsbäume, k-Nearest Neighbors
- Eine Konkrete Fallstudie
Vertiefung Machine Learning
- Modellbewertung: Train-Test-Split, Cross-Validation, Metriken
- Komplexere Modelle: Support Vector Machines, Random Forests
- Einführung in Unsupervised Learning: K-Means, DBSCAN
- Dimensionality Reduction: PCA und Visualisierung
Neuronale Netze mit PyTorch
- Funktionsweise Neuronaler Netze
- Erstellung eines einfachen neuronalen Netzes mit PyTorch: Forward Pass, Loss, Backpropagation
- Konkrete Fallstudie: Klassifikations-/Regressionsaufgaben mit Neuronalen Netzen lösen
- Neuronale Netze optimieren
- AutoML: Automatisiertes Maschinelles Lernen
Ziele
In dieser 3-tägigen Schulung "Machine Learning mit scikit-learn und PyTorch für Python-Programmierer" lernen Sie die Grundlagen des klassischen Machine Learnings und des Deep Learnings.
Der Kurs bietet eine umfassende Einführung in das maschinelle Lernen. Wir starten mit einer Einführung in das klassische Machine Learning zur Klassifikation und Regression mit Verfahren wie beispielsweise Decision Trees und Ensemble Methoden wie Random Forests. Nebem dem supervised Machine Learning werden auch unsupervised Machine Learning Verfahren wie das Clustering und die Anomalie-Detektion in Daten besprochen. Außerdem werden Neuronale Netze / Deep Learning Verfahren zur Lösung konkreter Probleme anhand von Fallstudien erläutert. Nach Abschluss des Kurses können Sie Python effektiv im maschinellen Lernen einsetzen und Modelle für Klassifikation und Vorhersage erstellen.
Zielgruppe
- Entwickler
- Data Scientists
- Analysten
Voraussetzungen
- Grundkenntnisse in einer Programmiersprache (idealerweise Python)
Agenda
Grundlagen und Einführung in Machine Learning
- Einführung in Machine Learning: Konzepte, Arten und Anwendungen
- Python-Grundlagen für Machine Learning: Einführung in NumPy, Pandas, Matplotlib
- Datenvorbereitung: Skalierung, Normalisierung, Encoding
- Einführung in Scikit-learn und Arbeiten mit Datensätzen
- Lineare Regression: Grundlagen, Training und Evaluierung eines Modells
- Klassifikationsprobleme: Entscheidungsbäume, k-Nearest Neighbors
- Eine Konkrete Fallstudie
Vertiefung Machine Learning
- Modellbewertung: Train-Test-Split, Cross-Validation, Metriken
- Komplexere Modelle: Support Vector Machines, Random Forests
- Einführung in Unsupervised Learning: K-Means, DBSCAN
- Dimensionality Reduction: PCA und Visualisierung
Neuronale Netze mit PyTorch
- Funktionsweise Neuronaler Netze
- Erstellung eines einfachen neuronalen Netzes mit PyTorch: Forward Pass, Loss, Backpropagation
- Konkrete Fallstudie: Klassifikations-/Regressionsaufgaben mit Neuronalen Netzen lösen
- Neuronale Netze optimieren
- AutoML: Automatisiertes Maschinelles Lernen
