Supervised & Unsupervised Machine Learning

Machine Learning-Algorithmen in Python mit scikit-learn
 
 

Setzen Sie ML-Vorhaben um

 

Aufgrund der aktuellen Entwicklungen rund um das Coronavirus findet das Seminar im Mai nur online statt! Für die Online-Schulung gilt ein befristeter Sonderpreis.

 

Machine Learning-Algorithmen sind ein elementares Element von Künstlicher Intelligenz und somit zu einem Erfolgsfaktor im Zeitalter der Digitalisierung avanciert. Im Bereich Machine Learning (ML) unterscheidet man zwischen überwachtem Lernen (supervised) und unüberwachtem Lernen (unsupervised). Supervised Learning beschreibt die Fähigkeit einer künstlichen Intelligenz, eigenständig Gesetzmäßigkeiten nachzubilden (z.B. durch Erlernen von Parametern in einem Algorithmus). Unsupervised Learning bedeutet hingegen, dass keine Zielwerte bekannt sind und der Algorithmus versucht, bestimmte Muster zu erkennen. 

Die Programmiersprache Python ist im Bereich Machine Learning (und auch Deep Learning) weit genutzt und bietet die Bibliothek scikit-learn, in welcher zahlreiche Machine Learning-Algorithmen enthalten sind. Python eignet sich somit optimal für die Umsetzung praxisnaher ML-Vorhaben.

 

Datum

Ort

Zeit

Preis*

Nicht-Mitglied

Preis*

Bitkom-Mitglied

Zertifizierung*

(optional)

Verfügbar

 

Datum

08.10.20 - 16.10.20

Ort

online

Online

Zeit

10:00 - 17:00

Preis*

Nicht-Mitglied

1.550

Preis*

Bitkom-Mitglied

1.350

Zertifizierung*

(optional)

-

Verfügbar

 

* zzgl. USt. | 10% Rabatt für den zweiten und jeden weiteren Teilnehmer

Ziele des Seminars
  • Sie erhalten einen konkreten Einblick in die Konzepte verschiedener Machine Learning-Algorithmen aus dem supervised und unsupervised Machine Learning.
  • Sie arbeiten praktisch mit der Programmiersprache Python (scikit-learn, statsmodels) und verschiedenen Algorithmen und erwerben fundierte Kenntnisse zu Themen wie dem Vermeiden von overfitting, lineare Regressionsmodelle, Entscheidungsbäumen, Logistische Regressionen, Ensemble Methods, Clustering usw. 
  • Sie sind anschließend in der Lage, eigenständig eigene Machine-Learning Projekte zu planen, umzusetzen und in einen praxisbezogen Kontext zu übertragen. 

 

Inhalte des Seminars

Der Fokus liegt auf dem Python Paket scikit-learn und zusätzlich dem Paket statsmodels. Die Konzepte verschiedener Machine Learning-Algorithmen aus dem supervised und unsupervised learning werden behandelt und deren Umsetzung in Python erörtert. Konzepte des Train-Test-Split bzw. der Cross Validation zur Vermeidung von overfitting und die Interpretation der wichtigsten scores zur Bestimmung der Algorithmusgüte sind dabei Bestandteil wie auch die Hyperparametersuche. Konkrete Inhalte sind:

  • Einführung in Machine Learning
  • Supervised vs. unsupervised learning
  • Vermeidung von overfitting
  • Lineare Regression, Entscheidungsbaum, Logistische Regression, Ensemble Methods, Clustering, Hyperparameter Tuning, 
  • Umsetzung von Algorithmen in scikit-learn
  • Interpretation der Ergebnisse

Dieses Seminar ist sehr praxisorientiert. Die Teilnehmer arbeiten direkt und selbstständig mit der Programmiersprache Python in der Entwicklungsumgebung Spyder, so dass das Erlernte direkt geübt und vertieft werden kann. Der Trainer moderiert dabei verschiedene Aufgaben und begleitet die Teilnehmer durch die einzelnen Lehreinheiten.

 

Zielgruppen

Das Seminar richtet sich an Data Scientists, Datenanalysten, angehende Machine Learning engineers o.ä. mit erster Erfahrung in der Programmierung in Python. Das Seminar findet im Anschluss an das Bitkom Seminar „Data Science mit Python“ statt, welches die grundlegenden Vorkenntnisse vermittelt. Beide Seminare bauen aufeinander auf, können jedoch unabhängig voneinander gebucht werden.

Notwendig ist, dass Teilnehmer mit Python Daten einlesen können, die Datenstruktur DataFrame aus dem Paket pandas kennen, eigene Funktionen schreiben können und das Konzept der Algorithmen Lineare Regression bzw. Entscheidungsbaum kennen.

Notwendig sind grundlegende Vorkenntnisse im Bereich der Statistik (Begriffsdefinitionen wie bspw. Mittelwert, Median, Standardabweichung, Quantil, Dichtefunktion, Normalverteilung), Kenntnisse grundlegender mathematischer Symbole und Begriff (Summenzeichen, Integral, Funktion, Ableitung, Menge der natürlichen und reellen Zahlen, Vektor, Matrix) und Kenntnis der booleschen Algebra mit den logischen Operatoren (UND, ODER, NICHT).

 

Empfehlung

Die Bitkom Akademie bietet ein nahezu identisch aufgebautes Seminar (dreitägig) zur Programmiersprache Python in Berlin an, welches unmittelbar vor diesem Seminar stattfindet. Bei Buchung beider Seminare erhalten Teilnehmer 10% Rabatt auf den Gesamtpreis beider Lehrgänge. Weitere Informationen zu Data Science mit Python hier.

Teilnehmer der Lehrgänge „Data Science mit Python" und Supervised & Unsupervised Machine Learning“ sind optimal vorbereitet, um das Spezialseminar Deep Learning mit Keras / Tensorflow  zu besuchen.  Alle drei Lehrgänge bauen inhaltlich aufeinander auf. 

 

Ihr Seminarprogramm

 

Programm-Download

 

 

Seminarprogramm | Tag 1

  • 10:00-10:30
    Begrüßung durch den Seminarleiter
    • Vorstellungsrunde & Erwartungshaltung der Teilnehmer
  • 10:30-12:00
    Überblick über Machine Learning
    • Einführung in Machine Learning
    • Unterschied Supervised – Unsupervised Learning (überwachtes – unüberwachtes Lernen)
    • Overfitting, Train-Test-Split
  • 12:00-12:15
    Kaffeepause mit Gelegenheit zum Erfahrungsaustausch und Networking
  • 12:15-13:45
    Lineare Regression
    • Einführung in den Algorithmus
    • Aufteilung der Daten in Train und Test Daten
    • Ein lineares Regressionsmodel in Python umsetzen
    • Ergebnisse validieren
  • 13:45-14:45
    Mittagspause
  • 14:45-16:15
    Entscheidungsbaum
    • Einführung in den Algorithmus
    • Aufteilung der Daten in Train und Test Daten
    • Einen Entscheidungsbaum in Python umsetzen
    • Hyperparameter anpassen
    • Ergebnisse validieren (confusion matrix, accuracy)
  • 16:15-16:30
    Kaffeepause mit Gelegenheit zum Erfahrungsaustausch und Networking
  • 16:30-18:00
    Logistische Regression (mit statsmodels)
    • Einführung in den Algorithmus (von linearer zur logistischen Regreesion)
    • Aufteilung der Daten in Train und Test Daten
    • Logistische Regression in Python umsetzen
    • Hyperparameter anpassen
    • Ergebnisse und Modell validieren (AIC, BIC, confusion matrix)
    • Interpretation der Koeffizienten (odds-ratio)
    • ROC Curve und AUC
  • 18:00
    Ende des ersten Seminartages

 

 

Seminarprogramm | Tag 2

  • 09:00-09:30
    Begrüßung durch den Seminarleiter und Rückblick auf Tag 1
  • 09:30-10:45
    Ensemble Methods
    • Random Forest zur Klassifizierung und Regression
    • Ada Boost
    • Die Algorithmen in Python umsetzen und Ergebnisse validieren
  • 10:45-11:00
    Kaffeepause mit Gelegenheit zum Erfahrungsaustausch und Networking
  • 11:00-12:30
    Weitere bekannte Algorithmen
    • Support Vector Machine (SVM) zur Klassifizierung und Regression
    • Neuronales Netz
    • Die Algorithmen in Python umsetzen und Ergebnisse validieren
  • 12:30-13:30
    Mittagspause
  • 13:30-15:00
    Cross-Validation und Hyperparamater Tuning
    • Automatisierte Anpassen von Hyperparametern in den Algorithmen
    • Cross-Validation (Kreuzvalidierung)
    • Erklärung der Konzepte und Umsetzung in sklearn
  • 15:00-15:30
    Kaffeepause mit Gelegenheit zum Erfahrungsaustausch und Networking
  • 15:00-17:00
    Clustering
    • Grundlagen von K-means Clustering und DBSCAN
    • Güte eines Cluster-Ergebnisses bestimmen
    • Vergleich von Cluster-Ergebnissen verschiedener Algorithmen
  • 17:00
    Ende des Seminars

 

Zusätzliche Informationen
  • Die Online-Seminare der Bitkom Akademie sind live, interaktiv und dialogorientiert. Sie können dem Referenten via Chat Fragen stellen.
  • Für die Teilnahme an unseren Online-Seminaren benötigen Sie einen aktuellen Browser und ggf. ein Headset.
  • Unser Virtual Classroom läuft auf allen gängigen Betriebssystemen (zu den Systemanforderungen). Darüber hinaus bieten wir Ihnen unterschiedliche Möglichkeiten, um an unseren Live-Online-Seminaren teilzunehmen (zu den Teilnahmemethoden).
  • Die Teilnehmer sollten prüfen, ob firmeneigene Laptops Zugangsbeschränkungen beim Herunterladen von Dateien und Programmen haben, die der Referent bereitstellt. Die digitalen Unterlagen (Skript, Code, Dateien) werden über eine Cloud zur Verfügung gestellt. Die Einwahl in fremde WLAN-Netze sollte daher möglich sein.
  • Im Idealfall ist der USB Port der Teilnehmer-Laptops freigeschaltet, so dass als Backup Pakete, verwendete Daten oder sonstige Unterlagen per USB-Stick übertragen werden können. 
  • Bitte stellen Sie sicher, dass Sie mit dem Betriebssystem (Windows, Mac OS, Linux), mit dem Sie arbeiten, vertraut sind.
  • Das Seminar findet in einer kleinen Gruppe mit mind. 5 und max. 11 Teilnehmern statt. Unser Referent kann dadurch auf individuelle Fragestellungen besser eingehen.
  • Die Bitkom Akademie ist anerkannter Bildungsträger in Baden-Württemberg und Nordrhein-Westfalen. Teilnehmer haben im Rahmen des Bildungszeitgesetzes die Möglichkeit, Bildungsurlaub bzw. eine Bildungsfreistellung zu beantragen. Auf Anfrage erstellen wir auch Anträge auf Anerkennung unserer Veranstaltungen in anderen Bundesländern.   
  • Anmeldeschluss ist 2 Wochen vor Seminarbeginn.
  • Wir erklären ausdrücklich, dass beim Bitkom – Unterzeichner der Charta der Vielfalt – jede Person, unabhängig von Geschlecht, Nationalität, ethnischer Herkunft, Religion oder Weltanschauung, Behinderung, Alter, sexueller Orientierung und Identität willkommen ist.

 

Seminar-Rücktrittsversicherung
  • Gemeinsam mit der HanseMerkur bietet die Bitkom Akademie eine freiwillige Seminar-Rücktrittsversicherung an.
  • Diese Versicherung ermöglicht Ihnen die kostenfreie Stornierung Ihrer Teilnahme, wenn kurzfristige oder unvorhergesehene Ereignisse Ihre Teilnahme am Seminar verhindern.
  • Die Kosten der Seminar-Rücktrittsversicherung sind abhängig vom Seminarpreis. Die Preisliste der HanseMerkur finden Sie hier.

 

Mehr erfahren Zur Buchung

 

share