Kursbeschreibung

Dieser fortgeschrittene Python-Kurs befasst sich mit den Themen Knowledge Discovery in Datenbanken und dem Begriff des Data-Mining bei dem es vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Es werden auch bis zu 30 nützliche Designpatern für Machinelearning bearbeitet, sowohl als grafische Problemstellung als auch als Auflösung im Plot. Mathe auf Abiturniveu und Matrizenberechnung erforderlich.

- Grundlagen des maschinellen Lernens
- Lernalgorithmen für die Klassifizierung trainieren
- Machine-Learning Klassifizierer mit Scikit-learn verwenden
- Datenvorverarbeitung
- Datenkomprimierung durch Dimensionsreduktion
- Best Practices zur Modellbewertung und Hyperparameter-Abstimmung
- Kombination verschiedener Modelle für das Ensemble Learning
- Machine Learning zur Analyse von Stimmungslagen nutzen
- Einbetten eines Machine-Learning-Modells in eine Webanwendung
- Vorhersage stetiger Zielvariablen durch Regressionsanalyse
- Verwendung nicht gekennzeichneter Daten: Clusteranalyse
- Implementierung eines künstlichen neuronalen Netzes
- Parallelisierung des Trainings neuronaler Netze mit TensorFlow
- Die Funktionsweise von TensorFlow im Detail
- Bildklassifizierung mit tiefen konvolutionalen neuronalen Netzen
- Modellierung sequenzieller Daten durch rekurrente neuronale Netze
- Design Patterns für ML:
- Entwurfsmuster Teil 1: Hashed Feature, Einbettungen, Feature Cross, Multimodale Eingabe, Reframing, Multilabel, Ensemble, Kaskade, Neutrale Klasse
- Entwurfsmuster Teil 2: Rebalancing, Nützliche Überanpassung, Checkpoints, Transfer Learning, Verteilungsstrategie, Hyperparameter-Abstimmung, Zustandslose Serving-Funktion
- Entwurfsmuster Teil 3: Batch-Serving, Kontinuierliche Modellbewertung, Zweiphasen-Vorhersagen, Keyed Predictions, Transformation, Wiederholbare Aufteilung
- Entwurfsmuster Teil 4: Bridged Schema, Windowed Inference, Workflow-Pipeline, Feature Store, Modellversionierung, Heuristischer Benchmark, Erklärbare Vorhersagen, Fairness Lens