Angewandtes Machine Learning mit Python
Lernen Sie die Anwendungsmöglichkeiten maschinellen Lernens in der Datenanalyse anhand eines echten Projektes kennen. Die Data-Science-Experten Prof. Dr. Stefanie Scholz und Prof. Dr. Christian Winkler zeigen in ihrem Videokurs alle
Inhalte Schritt für Schritt. Sie können direkt mitmachen, Ihr Wissen in Praxisbeispielen anwenden und in
Quizfragen überprüfen.
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 Prof. 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:
- Herzlich willkommen zu diesem Kurs
- 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
- 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
- Kapitelüberblick
- Einführung
- Daten und Datenstrukturen
- Datenqualität (Teil 1)
- Datenqualität (Teil 2)
- Vektorisierung strukturiert
- Vektorisierung unstrukturiert
- Quiz: Datenvorbereitung und Statistik
- Kapitelüberblick
- Dimensionsreduktion
- Dimensionsreduktion und Datenvisualisierung
- Clustering
- Topic-Modelle
- Performance-Metriken
- Quiz: Unsupervised Learning
- Kapitelüberblick
- Klassifikation
- Erfolgsmetriken
- Regression
- Multi-Regression
- Zeitreihen
- Quiz: Supervised Learning
- 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
Dr. Christian Winkler ist einer der Gründer der datanizing GmbH. Er engagiert sich seit 20 Jahren im Bereich der intelligenten Algorithmen zur Datenverarbeitung sowie des maschinellen Lernens, der Geodatenverarbeitung und Statistik. Dabei setzt er Mining, Netzwerkanalyse, Forum Analytics und Sentiment Analyse ein. Der promovierte Physiker ist gefragter Speaker auf Konferenzen und Autor von Artikeln zu Big Data und KI.
Nach ihrer Tätigkeit als Bereichsleiterin für Marketing und Vertrieb befasst sich Prof. Dr. Stefanie Scholz mit KI-gestützter Marketinganalyse und Datenvisualisierung. Neben Data-Driven Marketing und Advanced Analytics steht der praktische Anwendungsbezug verschiedener Machine-Learning-Verfahren für Unternehmen im Fokus ihrer Aktivitäten. Als Professorin für Data Science in Social Economy an der SRH Wilhelm Löhe Hochschule setzt sich Stefanie Scholz aktiv für die Implementierung und Förderung des Citizen-Data-Scientist-Konzepts in unterschiedlichen Institutionen ein.
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, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise Academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:
Technische Voraussetzungen:
Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.