Machine Learning und Data Mining mit R

Ziele

In dieser 3-tägigen Schulung "Machine Learning und Data Mining mit R" lernen Sie die Grundlagen des überwachten und unüberwachten Lernens für Regressions- und Klassifikationsprobleme. Sie werden verschiedene Modelle wie lineare Regression, logistische Regression, Entscheidungsbäume, Support Vector Machine, Random Forest und Gradient Boosting Machine kennenlernen. Des Weiteren werden Sie Techniken des unüberwachten Lernens wie k-means-Clustering, hierarchische Clusteranalysen und Dimensionsreduktion mit PCA entdecken. Zusätzlich werden Sie das R-Paket caret kennenlernen, das eine einheitliche Schnittstelle für viele Machine-Learning-Algorithmen bietet und Ihnen ermöglicht, Modelle zu evaluieren, zu vergleichen und zu optimieren. Die Schulung beinhaltet auch modernste Resampling-Methoden zur Modellbewertung und Modellvergleiche.

Zielgruppe

• Alle, die sich für maschinelles Lernen mit der freien, leistungsfähigen R-Software interessieren.

Voraussetzungen

• Grundkenntnisse in R

Agenda

Supervised Learning / Überwachtes Lernen für Regressions- und Klassifikationsprobleme:

• Lineare Regression mit kontinuierlichen und kategorialen Prädiktoren
• algorithmen-basierte Modelloptimierung / automatisierte Auswahl von Prädiktoren (best subsets, forward, backward)
• logistische Regression
• Lasso und Ridge-Regression
• Interaktionseffekte
• GAM (generalized additive model)
• KNN (k nearest neighbors)
• Entscheidungsbäume (Decision trees)
• SVM (Support Vector Machine)
• Random Forest
• GBM (Gradient Boosting Machine)

Unsupervised Learning / Unüberwachtes Lernen

• k-means
• hierarchische Clusteranalysen
• Dimensionsreduktion, PCA (Principal Components Analysis)
• PCA als Vorstufe für Regressionsanalysen; PCR (Principal Components Regression) und PLS (Partial Least Squares)

Maschinelles Lernen leicht gemacht: Das R-Paket caret (Max Kuhn)

• Eine gemeinsame Schnittstelle mit einheitlicher Syntax zu vielen Machine-Learning-Algorithmen
• Modell-Evaluation und Modellvergleiche mit modernen Resampling-Methoden (z. B. 10-fache Kreuzvalidierung mit 10 Wiederholungen)
• Modellvergleiche, Gütekriterien; Modell-Optimierung (tuning)

Hinweis: Die Teilbereiche des maschinellen Lernens Reinforcement Learning und Deep Learning werden in diesem Kurs nicht behandelt.

Open Badge - Ihr digitaler Kompetenznachweis

Durch die erfolgreiche Teilnahme an einem Kurs bei IT-Schulungen.com erlangen Sie nicht nur Fachkenntnisse und Fähigkeiten, sondern bekommen zusätzlich zu Ihrem Teilnahmezertifikat ein Open Badge als digitalen Nachweis Ihrer Kompetenz.

Sie können diesen in Ihrem persönlichen und kostenfreien Mein IT-Schulungen.com Konto abrufen. Ihre verdienten Badges lassen sich problemlos in sozialen Netzwerken integrieren und weitergeben.

Mehr zu den Vorteilen von Badges