Seminaranmeldung

In dieser 2-tägigen Schulung "Einführung in Data Science mit Schwerpunkt Machine Learning" lernen Sie grundlegende Techniken zur Datenanalyse mithilfe von maschinellem Lernen. Der Workshop folgt dem CRISP-DM-Modell und vermittelt Ihnen Werkzeuge, um einen umfassenden Überblick über große Datenmengen zu erhalten und Abhängigkeiten sowie Strukturen in den Daten zu erkennen.

Der Kurs deckt Techniken zur Datenvorverarbeitung und zum Umgang mit Datenfehlern ab. Ein zentraler Bestandteil ist die Erstellung von Datenmodellen. Nach diesem Workshop werden Sie verschiedene Techniken des maschinellen Lernens verstehen und in der Lage sein, Klassifikationen, Vorhersagen oder Regressionen durchzuführen.

Sie werden in der Lage sein, die Güte Ihrer Modelle zu validieren und sie zur Erkennung von Anomalien, Outliern oder Zusammenhängen und Ursachen einzusetzen.

Der Kurs bietet eine intensive Mischung aus Theorie und Praxis. Dabei werden Sie mit Werkzeugen wie ScikitLearn und zahlreichen Code-Beispielen arbeiten. Um eine individuelle Betreuung zu gewährleisten, ist die Teilnehmerzahl auf sechs begrenzt. Nach dem Workshop werden Sie über solide Grundlagen in Data Science und Machine Learning verfügen und Ihre neu erworbenen Kenntnisse in der Praxis einsetzen können.

Einstieg in Data-Mining

• CRISP-DM

Data Understanding und Data Preparation

• Erster Überblick über die Daten
• Datengruppierung und Clustering (z.B. k-Means)
• Abhängigkeiten erkennen (z.B. Korrelationsanalyse)
• Komplexitätsreduktion und Dimensionsreduktion (z.B. PCA)

Modelling und Machine Learning

• Klassifikation und Regression
• Umgang mit Fehlerbehafteten Daten (z.B. Bootstrapping, RANSAC)
• Überwachte Lernverfahren des maschinellen Lernens (z.B. Nearest Neighbor, Bayes Learning, Gauss-Modelle, Kernel-SVM, Entscheidungsbäume, Random Forests)
• Grundlagen der Neuronalen Netze
• Assoziationsanalyse (z.B. Warenkorbanalyse)

Evaluation und Ergebnisvisualisierung

• Validierungsstrategien, Gridsearch, Kreuzvalidierung
• Outliererkennung (statistisch, ν-SVM)
• Signifikanzanalysen (z.B. Stundent t-Test)
• Datenvisualisierung