Kursbeschreibung

In diesem Modul erlernen die TeilnehmerInnen grundlegende Methoden des maschinellen Lernens und deren Anwendung in Python. Das Modul vermittelt theoretische Grundlagen zu Algorithmen des überwachten und unüberwachten Lernens und verzahnt diese stets mit der Anwendung in Python auf Basis realer Datensätze. Da der Einsatz maschineller Lernverfahren weitreichende Implikationen haben kann, liegt ein besonderes Augenmerk auf der korrekten Evaluation der Modelle und Einordnung der Ergebnisse.

Die folgenden Inhalte werden mit umfangreichem Übungsanteil auf Basis realer Daten (etwa von der Kaggle-Website) hauptsächlich mit Hilfe der Python ML-Bibliothek scikit-learn unter Bezug auf die generellen Konzepte vermittelt:

- Unüberwachte Verfahren:
+ Clustering
+ Hauptkomponentenanalyse
+ Assoziationsanalyse
- Überwachte Verfahren
+ Regression
+ Klassfikation: Entscheidungsbäume, Naive Bayes, k-Nearest Neighbors
+ Ensemble Methoden: Random Forest, AdaBoost
- Einfache Neuronale Netze

Den Abschluss bildet ein Projekt, bei dem zur Lösung einer konkreten Aufgabenstellung verschiedene der zuvor erlerneten Konzepte und Methoden anhand des CRISP-DM-Prozesses zum Einsatz kommen sollen.