MACHINE LEARNING IN R
Präsenzveranstaltungen in Wiesbaden oder Online-Seminar an 1 Tag: 1.090,- € pro Person (netto)
Das Seminar richtet sich an R-NutzerInnen, die Machine Learning Algorithmen in R einsetzen wollen.
Termine Offene Schulungen - Crashkurs: 07.03.2024, 17.10.2024
LERNZIELE UND AGENDA
Ziele:
-
Überblick über die verschiedenen Machine Learning Verfahren
-
Supervised vs. Unsupervised Learning
-
Möglichkeiten der OVerfitting-Kontrolle
-
Nicht-Black-Box-Verfahren (ALM, GLM, Rekursive Partitionierung etc.)
-
Black-Box-Verfahren (Neuronale Netzwerke, Boosting and Bagging, Random Forests, SVMs etc.)
-
Deep Learning in R: Hinweise zu Tensorflow und Einsatz von mxnet
-
Spezifikation von Hyperparametern (u.A. mit Grid Search, Random Grid Search)
-
Kennenlernen des mlr3-Framework(auf Nachfrage caret/tidymodels)
-
Fallstudie
INHOUSE-SEMINAR
Seminardurchführung am Standort des Kunden
€1.390,00
pro Tag bis 4 Teilnehmer zzgl. gesetzlicher USt
Alle Inhalte der Inhouse-Seminare werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.
Intensive Nachbetreuung ermöglicht den Teilnehmern ihre Kenntnisse in kürzester Zeit umzusetzen.
Empfohlene Seminardauer: 1 Tag
Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)
WORKSHOP
Sie nennen uns Ihre Themen!
Preis auf Anfrage
zzgl. gesetzlicher USt und ggf. Reisekoste
Alle Inhalte des Workshops werden individuell zugeschnitten und zielgruppenspezifisch vermittelt.
Gerne führen wir den Workshop bei Ihnen vor Ort, in Wiesbaden oder online durch.
Leihgebühren Schulungsnotebook (auf Wunsch): 60,- Euro (pro Tag, pro Schulungsrechner)
Tag 1
-
Übersicht Algorithmen im Machine Learning
-
Supervised Learning: Überblick
-
Nicht-Black-Box-Verfahren I: OLS-Verfahren + Erweiterungen (ALM, GLM etc.), Recursive Partitioning (Bäume), Regularisierte Verfahren (Lasso, Ridge-Regression etc).
-
Black-Box-Verfahren: Neuronale Netzwerke, Random Forests, Boosting and Bagging, Support-Vector-Machines
-
Deep Learning
Tag 2
-
Overfitting-Kontrolle
-
Hyperparameter-Tuning (Grid Search, Random Grid Search)
-
Modellbeurteilung: Parameter zur Modellbeurteilung, Confusion Matrix, ROC-Kurve etc.
-
Hyperparameter-Tuning: Grid Search und Random Search
-
Pipelines: Erstellen von Pipelines bestehend aus verschiedenen Data Preparation und Analyseschritten
-
Machine Learning Frameworks in R: Das mlr3-Framework (auf Nachfrage: caret/tidymodels
-
Auf Nachfrage: Cox-Regression: Modelle zur Modellierung der Kundenabwanderung (churn prediction)
INHALT
Dieser Kurs richtet sich an alle, die Machine Learning einsetzen wollen, um optimierte Modelle für eine Problemstellung identifizieren und einsetzen zu können.
Dieser Kurs beschäftigt sich speziell mit der Modellierungsphase im CRISP-DM-Prozess, in welcher die aufbereiteten Daten dann tatsächlich modelliert werden.
Aufgrund des nicht geringen Angebots unterschiedlicher Modellierungsverfahren, bei die meisten noch über Hyperparameter spezifiziert werden können, ist dieser Schritt keineswegs trivial! Im Zentrum der Modellierungsphase steht daher die Auswahl geeigneter Modellierungsverfahren und das Finden der besten Hyperparameterwerte.
Erschwert wird diese Suchphase durch die je nach Methode unterschiedlich langen Modellierungszeiten und dem Problem des Overfittings. Strategien werden vermittelt, um Overfitting zu kontrollieren zu können.
Das Seminar Machine Learning Algorithem in R erleichtert den Einstieg, denn of ist im Vorfeld nicht klar, welche Verfahren geeignet sind und wie deren Hyperparameter einzustellen sind. Um den Einsatz vieler verschiedener Modellierungsmethoden und die Variation der Hyperparameter zu ermöglichen, werden Sie mit Grid Search und Random Grid Search, sowie der Entwicklung eigener Verfahren, Techniken kennenlernen, die Ihnen dies erleichtern. Hier nutzen Sie Crossvalidation (CV) Verfahren, um Overfitting kontrollieren zu können-
Die praktische Umsetzung wird mittlerweile durch zwei Data Science Frameworks in R unterstützt: das mlr3-Framework und das caret/tidymodels-Framework. Beide Frameworks erlauben das einfache Ansteuern zahlreicher Algorithmen und deren Hyperparameter-Tuning. Die Ergebnisse können dann einfach verglichen und das beste Modell basierend auf typischen Fit-Maßen (Accuracy, AUC etc.) ausgewählt werden. Neben diesen beiden Frameworks wird zudem gezeigt, wie ein Modell-Tuning mit eigenen Verfahren durchgeführt werden kann. Das mlr3-Framework erlaubt auch die Nutzung von Pipelines: Hier können verschiedene Data Preparation- und Analyseschritte automatisiert durchgeführt werden.
Umsetzung: Neben dem Überblick über die einschlägigen Modellierungstechniken und typischen Anwendungsszenarien wird die praktische Umsetzung an einer Fallstudie (Supervised Learning) in R erprobt.