Inhalt und Ablauf

Machine Learning avanciert zum elementaren Wertschöpfungs- und Erfolgsfaktor der Digitalisierung. Dieser Workshop vermittelt einen Überblick über die Möglichkeiten, Methoden und Einsatzgebiete von Machine Learning. Dieser Kickstart setzt sich aus den beiden Bereichen Supervised und Unsupervised Machine Learning zusammen.

Zu den Themen gehören dabei Klassifizierungsverfahren, Bayes Klassifikatoren, lineare Klassifikatoren, Entscheidungsbäume und Nächste-Nachbarn Klassifikatoren. Dabei werden nicht nur die technischen Seiten der Methoden, sondern auch die jeweiligen Vor-und Nachteile erläutert sowie beispielhafte Anwendungsfälle aufgezeigt. Abschließend wird noch ein Einblick in Neuronale Netze und Deep Learning gewährt. Der Workshop wird durchgehend durch Praxisübungen begleitet.

Nach der Absolvierung des Workshops sind die Teilnehmer mit modernen Supervised und Unsupervised Machine Learning Ansätzen vertraut.

Unsere erfahrenen Dozenten verfügen über mehrjährige Berufserfahrung in verschiedenen Branchen. Dadurch gewähren wir einen hohen Praxisbezug unserer Schulungen und Trainings.

Peer Kröger
AT_Maria Egorova-2

Short Facts

  • Referent: Prof. Peer Kröger & Maria Egorova
  • Sprache: Englisch
  • 19. März 2019
  • 10:00 – 17:15
  • Sofitel Hotel Munich Bayerpost, Bayerstraße 12, 80335 München

Lernziele

Einblick in unterschiedliche relevante Methoden des maschinellen Lernens

Kenntnis von Vor- und Nachteilen für bestimmte Anwendungsfälle

Kickstart um Machine Learning im eigenen Arbeitsalltag zum Einsatz zu bringen

Referent

Prof. Dr. Peer Kröger

ist seit 2015 Professor für Data Science am Lehrstuhl für Datenbansysteme und Data Mining der Ludwig-Maximilians-Universität (LMU) München. 2013 gründete er mit Kollegen das Data Science Lab an der LMU und ist seitdem dessen Direktor. Er ist seit vielen Jahren in Wissenschaft und Wirtschaft als Berater und Trainer zu den Themen Data Management, Data Analytics und Data Science aktiv, z.B. als Vorstandsmitglied im Archaeo-Bio-Center der LMU, als Mitglied des Steering Committees des Data Science Certificate Program der LMU, sowie als Geschäftsführer der Applied Data Science GmbH.

Agenda

federica-galli-449563
  • Einführung zu Machine Learning und warum wir es brauchen: descriptive analytics vs. predictive analytics
  • Einordnung von Machine Learning in den Business Kontext: Anwendungsbeispiele
  • Klärung der wichtigsten Grundbegriffe und Definition der Problemstellungen beim Supervised Learning
  • Bayes Klassifikatoren
    • Hauptprinzip von Bayes Klassifikatoren (Satz von Bayes, Baye’sche Entscheidungsregel)
    • Beispiel-Umsetzung der Grundidee: naive Bayes Klassifikatoren
    • Diskussion der Vor- und Nachteile anhand von beispielhaften Anwendungen
  • Lineare Klassifikatoren
    • Funktionsweise der linearen Klassifikatoren
    • Veranschaulichung der Grundidee: Support Vector Machines (SVMs)
    • Erweiterung von SVMs auf nicht-lineare Klassifikation (Kernel Machines)
    • Diskussion der Vor- und Nachteile anhand von möglichen Anwendungsfällen
  • Entscheidungsbäume
    • Grundprinzip von Entscheidungsbäumen
    • Beispiel-Umsetzung der Grundidee: Diskussion verschiedener Split Strategien
    • Erweiterung von Entscheidungsbäumen: Pruning zur Vermeidung von Overfitting
    • Diskussion der Vor- und Nachteile mit Hilfe von real-life Use Cases
  • Nächste-Nachbarn (NN) Klassifikatoren:
    • Grundlagen von NN Klassifikatoren
    • Beispiel-Umsetzung der Grundidee: Diskussion verschiedener Gewichtungen und Voting-Strategien
    • Diskussion der Vor- und Nachteile der Anwendung am Beispiel der Use Cases
    • Evaluation der Güte von gelernten Modellen (Klassifikatoren)
    • Diskussion der Herausforderungen, insbesondere des Overfittings
    • Überblick über Maßnahmen gegen Overfitting: das Train-and-Test-Paradigma
  • Grundlegende Einführung in die Konzepte von neuronalen Netzen und Deep Learning
  • Einführung zu Data Mining sowie Unsupervised Learning und warum wir es brauchen: labeled vs. unlabeled Data
  • Einordnung von Unsupervised Learning in den Business Kontext: Anwendungsbeispiele

Voraussetzungen

Grundlegende Kenntnisse in Statistik, Mathematik und Informatik sind notwendig. Für die Durchführung der praktischen Übungen wird ein Laptop benötigt.

Sind Sie an diesem Workshop interessiert?