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.