Angewandtes Machine Learning mit Python

Künstliche Intelligenz ist in aller Munde. Eine Teildisziplin davon ist Machine Learning, das sich als Bestandteil zahlreicher Datenanalyseprojekte fest etabliert hat und durch die Programmiersprache Python und die Bibliothek scikit-learn leicht zugänglich ist.

Zahlreiche Machine-Learning-Projekte scheitern an schlechter Datenqualität. In diesem Kurs zeigen dir die Data-Science-Experten Prof. Dr. Stefanie Scholz und Prof. Dr. Christian Winkler, wie du die Visualisierungsmöglichkeiten von Python nutzen kannst, um Daten statistisch zu analysieren und deren Qualität zu überprüfen. Darüber hinaus machst du dich mit überwachten und unüberwachten Verfahren des maschinellen Lernens vertraut und lernst, diese mit Python umzusetzen. Schließlich erfährst du, wie du diese Verfahren geschickt kombinieren kannst, um in einem echten Projekt interessante Erkenntnisse zu gewinnen.

Wenn du dich mit dem Thema Machine Learning intensiver befassen möchtest und einen praxisnahen Zugang suchst, bist du in diesem Kurs genau richtig!

Alle Lektionen im Überblick:

• 1. Herzlich willkommen zu diesem Kurs

• 2. Einführung in Python und Jupyter

  • Kapitelüberblick

  • Python und Jupyter als Plattform nutzen

  • Einfache Installation mit Anaconda

  • Alternative: Google Colab

  • Erste Schritte mit Jupyter/Colab

  • Überblick über Basis-Tools: Pandas

  • Überblick über Basis-Tools: Scikit-learn

  • Codequalität

  • Fortschrittsanzeige und Datentransformation

  • Visualisierung

  • Quiz: Einführung in Python und Jupyter

• 3. Einführung in Machine Learning mit Python

  • Kapitelüberblick

  • Warum Machine Learning?

  • Was ist Machine Learning?

  • Datenakquisition und Daten einladen

  • Basisdaten und Statistik

  • Regression

  • Klassifikation strukturiert

  • Klassifikation unstrukturiert

  • Unüberwachtes Lernen

  • Reinforcement Learning

  • Quiz: Einführung in Machine Learning mit Python

• 4. Datenvorbereitung und Statistik

  • Kapitelüberblick

  • Einführung

  • Daten und Datenstrukturen

  • Datenqualität (Teil 1)

  • Datenqualität (Teil 2)

  • Vektorisierung strukturiert

  • Vektorisierung unstrukturiert

  • Quiz: Datenvorbereitung und Statistik

• 5. Unsupervised Learning

  • Kapitelüberblick

  • Dimensionsreduktion

  • Dimensionsreduktion und Datenvisualisierung

  • Clustering

  • Topic-Modelle

  • Performance-Metriken

  • Quiz: Unsupervised Learning

• 6. Supervised Learning

  • Kapitelüberblick

  • Klassifikation

  • Erfolgsmetriken

  • Regression

  • Multi-Regression

  • Zeitreihen

  • Quiz: Supervised Learning

• 7. Beispielprojekt: Kombination der Machine-Learning-Verfahren

  • Kapitelüberblick

  • Vorstellung des Use Case

  • Soziale Netzwerke

  • Download

  • Klassifizierung

  • Statistik (Teil 1)

  • Statistik (Teil 2)

  • Statistik (Teil 3)

  • Topic Modeling (Teil 1)

  • Topic Modeling (Teil 2)

  • Sentiment-Analyse

  • Trendvorhersage: Metadaten

  • Trendvorhersage: Topics

  • Quiz: Kombination der Machine-Learning-Verfahren

So lernst du mit diesem Videokurs:

In den Videokursen der heise academy lernst du IT-Themen anschaulich und verständlich. Du siehst den Experten bei der praktischen Arbeit zu und lässt dir dabei alles genau erklären. Das Wissen ist in kompakte Lerneinheiten unterteilt, sodass du den Kurs Schritt für Schritt durcharbeiten oder gezielt zu Lektionen springen kannst, die dich interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für dich bereit, die dich beim Lernen unterstützen:

• Flexibler Videoplayer mit vielen Steuerungsmöglichkeiten

• Wissensquizzes zur Lernkontrolle

• Lernhistorie und Lernfortschritt

• Lesezeichen und Notizen

• Volltextsuche in den Videos

• Frage-den-Experten-Modul

• Übungsmaterial zum Mitmachen

• Responsive Web-App und Videostreaming für alle Endgeräte

Technische Voraussetzungen:

Für diesen Videokurs wird lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.