Scikit-Learn-Kurs
Werkzeuge für das maschinelle Lernen
Wann und Wo?
Gerne als Inhouse-Seminar oder im Raum Stuttgart
Termin nach Absprache!
Beschreibung
Der Kurs behandelt die theoretischen Aspekte der 3 bis 4 besten Algorithmen in Scikit-Learn im Detail. Ansonsten liegt der Fokus auf den Grundprinzipien und Werkzeugen von Scikit-Learn, die für die erfolgreiche Anwendung auf praktische Probleme notwendig sind.
Ziel des Trainings
Nach dem Kurs werden die Teilnehmer in der Lage sein, sehr mächtige, moderne Vorhersagemodelle mit relativ wenig Code-Zeilen zu erstellen und produktiv einzusetzen. Der Kurs setzt Kenntnisse in Python, linearer Algebra und Differenzial-Rechnung voraus (Matrizen- und Vektor-Rechnung).
| Umfang | 5 ganze Kurstage |
|---|---|
| Teilnehmeranzahl | Kleingruppen bis maximal 10 Teilnehmer |
| ARBEITSMATERIALIEN | Laptop mit Admin-Rechten |
| TEILNAHMEBESCHEINIGUNG/ZERTIFIZIERUNG | Bei Bedarf: Teilnahmebescheinigung am Ende des Seminars |
| ÖRTLICHKEIT | Bei Ihnen vor Ort oder im Raum Stuttgart |
Inhalte
Hier finden Sie unsere Bausteine im Überblick:
Basics
Numpy
Estimator, Predictor interfaces
fit()-, predict()- , score()-Methoden
Regression (1)
Lineare und logistische Regressionen
Regression (2)
Ridge-Regression, Lasso-Regression, Regularisierung
Bewertung von Vorhersagemodellen
… verschiedene Maße. (Precision, Recall, ROC, gain-chart, …)
Visualisierung der Interaktion von Variablen und Vorhersagequalität
… mit seaborn, scikit-plot, …
Transformer interface
Umwandlung von nicht-numerischen zu numerischen Daten
Pipelines
Transformation und Vorhersageprozess in einen Prozess bringen.
Ausreißer
Ausreißer erkennen und damit umgehen
Support-Vector-Maschinen
Classifier, Regressor, theoretische und praktische Aspekte
GridSearchCV
Gute Modellparameter finden
Transformationen
Hauptkomponenten-Transformation, Raumdichte-Transformation
Entscheidungsbäume
Entscheidungsbäume und random Forests (Theorie und praktische Aspekte)
Clustering
Jetzt anmelden
So funktioniert’s
Auszeichnungen unseres Teams
Zertifiziert nach
