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 Ihnen die Data-Science-Experten Prof. Dr. Stefanie Scholz und Dr. Christian Winkler, wie Sie die Visualisierungsmöglichkeiten von Python nutzen können, um Daten statistisch zu analysieren und deren Qualität zu überprüfen. Darüber hinaus machen Sie sich mit überwachten und unüberwachten Verfahren des maschinellen Lernens vertraut und lernen, diese mit Python umzusetzen. Schließlich erfahren Sie, wie Sie diese Verfahren geschickt kombinieren können, um in einem echten Projekt interessante Erkenntnisse zu gewinnen.

Wenn Sie sich mit dem Thema Machine Learning intensiver befassen möchten und einen praxisnahen Zugang suchen, sind Sie 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 lernen Sie mit diesem Videokurs:

In den Videokursen von heise Academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt. Sie können den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen, die Sie interessieren. Die persönliche Lernumgebung der heise Academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:

• 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.