Einführung in Machine Learning mit Python – von Datenaufbereitung bis Deep Learning

Die Königsdisziplin des maschinellen Lernens ist Deep Learning mit seinen großen künstlichen neuronalen Netzen. Lerne sie produktiv einzusetzen.

• Grundlegende Funktionsweise künstlicher neuronaler Netze
• Wichtige Begriffe und Konzepte rund um Deep Learning
• Verschiedene Arten von Neuronenschichten und ihre jeweiligen Einsatzzwecke
• Einführung in die Frameworks Keras und TensorFlow für den produktiven Einsatz
• Konstruktion eigener neuronaler Netze mit praxisnahen Beispielen
• Entwicklung einer KNN-Anwendung zur Bilderkennung
• Möglichkeiten und Grenzen von Deep Learning im realistischen Einsatz

Ohne ausreichend gelabelte Daten, musst du auf ungelabelte zurückgreifen. Lerne diese durch Lernalgorithmen effektiv zu nutzen.

• Strategien zum Umgang mit ungelabelten Daten entwickeln
• Entscheidungsbäume als grundlegendes Modell des maschinellen Lernens
• Random Forests als Ensemble-Learning-Methode zur Reduktion von Fehlern
• Clustering als typischer Vertreter des unüberwachten Lernens
• Reinforcement Learning anhand praxisnaher Beispiele

Es müssen nicht immer neuronale Netze sein. Lerne scikit-learn kennen, das dir den Einstieg ins maschinelle Lernen besonders einfach macht.

• Grundlagen der Begrifflichkeiten künstliche Intelligenz und Machine Learning
• Einführung in das überwachte Lernen als zentraler Bereich des maschinellen Lernens
• Klassifikation und Regression als typische Vertreter klassischer statistischer Verfahren
• Funktionsweise von Support Vector Machines (SVMs)
• Aufbau und Grundprinzip der Bibliothek scikit-learn anhand praktischer Beispiele

Ohne Visualisierung nützt die beste Datenaufbereitung nichts. Vertiefe dein Wissen über pandas und nutze Matplotlib zur Erstellung von Diagrammen.

• Vertiefung der pandas-Bibliothek anhand weiterführender Beispiele und Funktionen
• Ein- und Ausgabe verschiedener Dateiformate mit pandas
• Einführung in Matplotlib als leistungsstarkes Werkzeug zur Diagrammerstellung in Python
• Überblick über die verschiedenen Diagrammtypen in Matplotlib
• Nutzung von seaborn als Schnittstelle zwischen pandas und Matplotlib

Datenaufbereitung ist der wichtigste Teil zu Beginn eines Machine-Learning-Projekts. Lerne diese Aufgabe mit Python, NumPy und pandas zu bewältigen.

• Auffrischung der Python-Grundlagen mit besonderem Fokus auf Spracheigenschaften, die beim Machine Learning relevant sind
• Einführung in NumPy als numerische Bibliothek
• Unterschiede zwischen NumPy-Arrays und herkömmlichen Python-Datenstrukturen
• Anwendung von Vektorfunktionen auf NumPy-Arrays zur effizienten Verarbeitung großer numerischer Datenmengen
• Einstieg in pandas als Standardbibliothek für die Arbeit mit heterogenen und nicht-numerischen Datenstrukturen
• Praktische Möglichkeiten von pandas zur umfassenden Datenverarbeitung und Datenaufbereitung