Machine Learning mit Python

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