Machine Learning Kurs mit Python & scikit learn
| Kurs-ID | 10 |
| Datum | 25.04.2024 bis 26.04.2024 |
| Dauer | 2 Tage |
| Unterrichtszeiten | Vollzeit |
| Kosten | 1.535,00 € |
| Zielgruppe | Dieser Machine Learning Kurs mit Python richtet sich an data scientists, angehende Machine Learning engineers, Datenanalysten, Busines Intelligence Analysts, Data Analysts, o.ä. welche die Programmiersprache Python für Data Science / Data Mining vertiefen möchten. Vorhandene Programmierkenntnisse in Python werden in der Schulung erweitert, um Machine Learning mit scikit-learn eigenständig umsetzen |
| Bildungsart | Fortbildung/Qualifizierung |
| Unterrichtsform | Seminar |
| Voraussetzung | Diese Machine Learning Schulung setzt Programmiererfahrung in Python voraus. Notwendig ist Vorerfahrung in der Arbeit mit Python und mit Daten. Die Inhalte des Kurses Data Science mit Python geben einen Überblick, welche Vorerfahrung ein gutes Mitkommen im Seminar ermöglicht. Vor allem: pandas Data.Frames (fehlende Werte ergänzen, Daten einlesen), Bibliotheken installieren und laden, eigene Funk |
| Förderung | Bildungscheck NRW |
| Präsenzkurs | Dies ist keine Anwesenheitsveranstaltung. |
| mind. Teilnehmerzahl | 2 |
| max. Teilnehmerzahl | 10 |
| Dozent | Jan Köhler |
| URL des Kurses | Details beim Anbieter |
| Anmelde URL des Kurses | Direkte Anmeldung beim Anbieter |
| spezielles Angebot für Dozenten | Nein. |
|
Veranstaltungsort
|
Regus (Live-Online, Zoom)
Königstraße 10C 70199 Stuttgart |
| Abendkurs | Bildungsgutschein | Förderfähig nach Fachkursprogramm des ESF | Barierrefreier Zugang |
|---|---|---|---|
| Nein | Nein | k. A. | Ja |
| Beschreibung |
|---|
| Beschreibung des Seminars Machine Learning in Python mit scikit-learn Dieser Kurs führt in das Thema Machine Learning ein und erläutert, wie Sie supervised und unsupervised Machine Learning Algorithmen mit dem Python Modul scikit-learn programmieren und trainieren können. Machine Learning in Python mit scikit-learn Dieser Kurs führt in das Thema Machine Learning ein und erläutert, wie Sie supervised und unsupervised Machine Learning Algorithmen mit dem Python Modul scikit-learn programmieren und trainieren können. Zu Supervised Learning (überwachtes Lernen) werden die Algorithmen gezählt, die mit gelabelten Daten trainiert werden, wie z.B. Klassifikation. Unsupervised Learning (unüberwachtes Lernen) dagegen verwendet ungelabelte Daten. Dort wird z.B. versucht Gruppen oder Muster in den Daten zu erkennen. Behandelte Themen in dieser Schulung: * Grundlegendes über Maschinelles Lernen * Lineare Regression (mit scikit-learn) * Logistische Regression (mit StatsModels) * Entscheidungsbaum (mit scikit-learn) * Ensemble Methods (+ AdaBoost) * Weitere Machine Learning Algorithmen: K-Nearest Neighbor, Einfaches neuronales Netz * Hyperparameter Tuning und Kreuzvalidierung * Algorithmen zum Clustering (K-means Clustering und DBScan) Direkt zum Seminaranbieter Zielsetzung Bildungsziel des Seminars Hauptsächlich wird das Python Modul sciki-learn verwendet um die Algorithmen umzusetzen. Für die logistische Regression wird das Modul StatsModels verwendet. Damit erhalten Sie einen Einblick in ein zusätzliches Machine Learning Python Packet. Der Schwerpunkt des Kurses bilden die Algorithmen des supervised Learnings. Zielgruppe data scientists, Datenanalysten, angehende Machine Learning engineers Beschreibung der Zielgruppe Zielgruppe dieser Schulung sind data scientists, Datenanalysten, angehende Machine Learning engineers, welche Grundkenntnisse in der Programmiersprache Python besitzen und sich im Bereich Data Mining / Data Science und Machine Learning vertiefen möchten. Teilnahmevoraussetzung Es wird grundlegende Programmiererfahrung in Python und Erfahrung in der Arbeit mit Daten vorausgesetzt. Wenn Sie die Inhalte des Kurses ""Data Science in Python"" beherrschen, sind Sie gut für dieses Seminar vorbereitet. Insbesondere wichtig sind: pandas Data.Frames (das Einlesen von Daten, fehlende Werte ergänzen), Python Module installieren und laden, grundlegende Python Datenstrukturen (dictionary, tuple, list) und das Schreiben eigener Funktionen. Kenntnisse in der einfachen Statistik (wie z.B. Standardabweichung, Median, Mittelwert) sind sehr empfehlenswert. |
| Schlagworte |
|---|
| datenverarbeitung, programmierung, programmiersprache, programmieren, datenanalyse |
| Gelistet in folgenden Rubriken: |
|---|