Videokurs

Klassische Machine-Learning-Verfahren zur Textanalyse

Lerne mit Clustering, Topic Modelling, Klassifikationen und Universal Embeddings automatisierte Analysen großer Texte durchzuführen

LERNZIELE

Du kennst den Unterschied zwischen überwachtem und unüberwachtem Lernen
Du verstehst, wie du mit Machine-Learning-Verfahren Daten klassifizieren oder die organische Struktur der gesamten Dokumentenmenge ermitteln kannst

INHALT

In diesem Kurs nutzen wir Methoden des unüberwachten Machine Learning, um die Struktur des Heise-Newstickers zu analysieren. Dabei konzentrieren wir uns auf Topic Models und Clustering. Mit Coherence Scores werden wir die Güte der Modellierung messen und auf Unterschiede zwischen den Algorithmen und zwischen Topic Modeling und Clustering eingehen. Durch die Zeitevolution der Topics können wir erkennen, welche Themen sich im Newsticker besonders dynamisch entwickeln.

Außerdem beschäftigen wir uns mit überwachtem Machine Learning. Dazu erarbeiten wir uns die dafür benötigten Trainingsdaten und definieren unterschiedliche Klassifikationen. Du lernst außerdem, wie du die Güte der Klassifikationen messen kannst. Anschließend werden wir diese Gütemaße nutzen, um die Klassifikationen noch weiter zu optimieren.

Dieser Kurs gehört zu einer Reihe mit folgenden Titeln:

Python und Jupyter als Plattform für Natural Language Processing
Datenbeschaffung und -transformation für Natural Language Processing
Statistik und Vektorisierung für NLP-Projekte
Klassische Machine-Learning-Verfahren zur Textanalyse
Moderne Embedding-Methoden und Transfer Learning

ALLE LEKTIONEN IM ÜBERBLICK

Topic-Modelle und Clustering

Intro
Erklärung Machine Learning-Algorithmen (unüberwacht)
Erklärung Topic Models
Berechnung NMF
Berechnung LDA
Visualisierung mit pyLDAvis
Andere Verfahren, Unterschiede und Gemeinsamkeiten
Coherence Scores
Zeitevolution
Clustering und Unterschied zu Topic Models
Quiz: Topic-Modelle und Clustering

Klassifikation mit klassischem überwachtem Machine Learning

Intro
Erklärung überwachtes Lernen
Trainingsdaten
Klassifikation mit Support Vector Machine
Andere Klassifikatoren
Testdaten und Confusion Matrix
Accuracy, Precision und Recall
Cross-Validation und Hold-Out-Verfahren
Hyperparameter und Grid-Search
Quiz: Klassifikation mit klassischem überwachtem Machine Learning

SO LERNST DU MIT DIESEM KURS

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
Wissensquiz zur Lernkontrolle
Lernhistorie und Lernfortschritt
Lesezeichen und Notizen
Volltextsuche in den Videos
Übungsmaterial zum Mitmachen
Responsive Web-App und Videostreaming für alle Endgeräte

TECHNISCHE VORAUSSETZUNGEN

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

DEIN EXPERTE

Prof. Dr. Christian Winkler

Gründer von datanizing und Professor für User Experience | datanizing GmbH

Prof. Dr. Christian Winkler ist Co-Gründer der datanizing GmbH und beschäftigt sich seit 20 Jahren mit künstlicher Intelligenz, speziell mit der automatisierten Analyse natürlich-sprachiger Texte (Natural Language Processing). Er forscht und publiziert zu diesem Thema und ist regelmäßig Sprecher auf Machine-Learning-Konferenzen. Als Professor an der TH Nürnberg konzentriert er sich bei seiner Forschung auf die Optimierung von User Experience mithilfe moderner Verfahren.