Scikit-Learn
Scikit-Learn ist ein großes, mächtiges Python-Paket für maschinelles Lernen.
Der Scikit-Learn-Kurs richtet sich an Ingenieure, Wirtschaftswissenschaftler (Versicherungen, Banken), Marketing-Experten, Berater, die Algorithmen des maschinellen Lernens  für Software verwenden wollen, die von Daten selbständig lernt und dann im laufenden Betrieb autonom agiert.
Der Übungsanteil beträgt 50%-60%. Ein Trainer kommt auf 5 bis 9 Kursteilnehmer und hilft ihnen individuell. 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) 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. Die Themen:

• Numpy
• Estimator, Predictor  interfaces ( fit(), predict(), score() Methoden )
• Lineare-Regression & Logistische-Regression
• 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 + Vorhersageprozess in einen Prozess bringen.
• Ausreißer erkennen und wie damit umgehen. Fallstricke.
• Ridge-Regression, Lasso-Regression, Regularisierung
• Support-Vector-Maschinen (Classifier, Regressor, theoretische + praktische Aspekte)
• GridSearchCV (Gute Modellparameter finden)
• Hauptkomponenten-Transformation, Raumdichte-Transformation
• Entscheidungsbäume, Random Forests. (Theorie + praktische Aspekte)
• Clustering

Zu jedem der obigen Themen gibt es eine oder mehrere Übungseinheiten. Kursdauer: 5 Tage.