25 Jahre Erfahrung FreeCall 0800 tutegos

Machine Learning mit Python

Machine Learning NLP Python Scikit-learn

Ob Klassifizierung von Text- und Bildmaterial, Recommendation-Systems oder Schätzungen von Preisen und Entwicklungstendenzen auf Märkten. Die Anwendungsmöglichkeiten von Machine-Learning-Algorithmen sind grenzenlos und wachsen stetig. Das Seminar gibt eine komprimierte Einführung in die Welt des Machine Learnings. Es zeigt Einsatzoptionen, erklärt Modelle und Algorithmen und gibt eine praktische Einführung in die Techniken der Aufbereitung und Nutzbarmachung von Daten und in den Umgang mit den wichtigsten Lernalgorithmen in Python. Der erste Teil ist als Python Crash-Kurs konzipiert. Hier lernen Sie Entwicklungsumgebungen, Datentypen und Kontrollstrukturen und die Eigenheiten von Python kennen. Danach geht es um die Sammlung, Bearbeitung und Aufbereitung von Daten. Sie lernen, wie Sie Daten aus Text-Files, JSON, XML oder SQL-Datenbanken zielsicher ziehen und für die Analyse auf- und vorbereiten. Der Hauptteil des Seminars ist einer Einführung in die Machine Learning Bibliothek scikit-learn gewidmet. Sie lernen die wichtigsten Modelle zur Klassifizierung und Schätzung kennen und anwenden.

Inhalte des Seminars

Python Grundlagen

Einrichten von Python: Virtuelle Umgebung, PIP und Jupyter Notebook
Datentypen und Casting
Kontrollstrukturen und Schleifen
Container: Listen, Tuples und Dictionaries
Prozedurale Programmierung: Funktionen schreiben und aufrufen
Einführung in die OO-Programmierung: Arbeiten mit Klassen (Bauplan, Attribute, Methoden)

Daten einlesen und organisieren

Mit Fehlern und Ausnahmen umgehen (try/except)
Dateien im Verzeichnis ansteuern
Standardverfahren zum Lesen/Schreiben von Text-Dateien
Mit JSON und/oder XML-Dateien arbeiten (Daten über Rest-APIs besorgen)
SQL-Datenbanken ansteuern
Arbeiten mit Datenmatrizen: Einführung in Numpy und Pandas
Daten inspizieren und beschreiben
Techniken zur Sammlung und Zusammenführung von Daten

Grundlagen Machine Learning

Modellieren von Zusammenhängen. Theoretische Grundlagen und Techniken des Machine Learnings.
Arbeiten mit der Machine Learning Bibliothek scikit-learn.
Einfache Zusammenhänge zwischen stetigen Variablen modellieren: Lineare Regression
Klassifizieren mit Logistic Regression, Softmax und Support Vector Machine: Grundlagen und Anwendung
Qualität von Modellen bestimmen: Accuracy, Precision, Recall und Confusion matrix
Aufsplitten der Daten in Trainings- und Testdaten

Feature-Extraction für Natural Language Processing (NLP) und Bildverarbeitung

Standardverfahren des Natural Language Processing: Tokenizing, Stop-Words und Stemming
Vectorizer zur Umwandlung von Textdaten in Bag-of-Words einsetzen
Klassifikatoren mit Textdaten anlernen
Bilddaten vorbereiten und verarbeiten
Kategoriale Daten vorbereiten: One-Hot Codierung
Standardisierung von Daten
Dimensionsreduktion mit PCA (Principle Component Analysis)
Pipelines einrichten
Speichern und Laden von trainierten Klassifizierern

Ausblick: Neuronale Netze

Aufbau Neuronaler Netze.
Wie lernen Neuronale Netze: Backpropagation und Gradient Descent
Beispielanalysen mit Tensorflow und Keras

Termine / Kontakt

Jedes Seminar führt tutego als kundenangepasstes Inhouse-Seminar durch.

Alle unsere Seminare können zudem als Live-Online-Seminar besucht werden.

Wir helfen Ihnen gerne bei der Anmeldung und einen passenden Termin zu finden. Kontaktieren Sie uns per E-Mail oder unter 0800/tutegos (kostenlos aus allen Netzen).

Die Fakten

Empfohlene Schulungsdauer: 5 Tage, insgesamt 40 Unterrichtsstunden à 45 Minuten
Zielgruppe: Softwareentwickler
Vorkenntnisse: Kenntnis einer strukturierten Programmiersprache (Variablen, Schleifen …), Grundverständnis der objektorientierten Idee
Schulungsunterlagen: Praxiseinstieg Machine Learning mit Scikit-Learn und TensorFlow (Aurélien Géron), Teilnahmezertifikat
Seminar-Software: Python 3, IDE: Jupyter Notebook und/oder Eclipse mit PyDev Plugin.