Angewandtes Maschinelles Lernen

Tag 1: Einführung - Wir beginnen mit der Definition eines Anwendungsfalls mithilfe eines Projekt-Canvas und lernen den industrieübergreifenden Standardprozess für Data Mining, CRISP-DM, kennen. Anschliessend geben wir einen Überblick über die wichtigsten Schritte einer End-to-End-ML-Pipeline. Dies umfasst das Bereinigen von Daten, das Definieren eines Basismodells, die Wahl geeigneter Kennzahlen, den Einsatz verschiedener Fehlermetriken zur Modellbewertung und -auswahl, sowie die Aufteilung der Daten in Training und Test, um Unter- oder Überanpassung zu identifizieren. Tag 2: End-to-End ML-Pipeline - Aufbauend auf den Konzepten von Tag 1 betrachten wir Feature-Normalisierung, das Imputieren fehlender Werte, das Skalieren und Auswählen von Features und wie dies alles fachgerecht mittels Pipelines in die Modellierung integriert werden kann. Du arbeitest mit linearen und polynomialen Regressionsmodellen und lernst verschiedene Regularisierungsmethoden kennen (Ridge, Lasso und elastisches Netz).

Tag 1: Klassifikationsmodelle - Lerne über das Klassifizieren von Daten mittels maschinellen Lernens und übe die praktische Umsetzung anhand eines logistischen Regressionsmodells. Du wirst auch mit Konzepten wie Klassenungleichgewicht, Precision-Recall-Analyse (Falsch-Positiv- vs. Falsch-Negativ-Raten), ROC-Kurven und der Verwendung einer Konfusionsmatrix vertraut werden. Tag 2: Fortgeschrittene Klassifizierungsmodelle - Vertiefung von Problemen des überwachten maschinellen Lernens unter Verwendung häufig verwendeter Klassifizierungsalgorithmen wie K-Neighbors, Naive Bayes, Support Vector Machine, Entscheidungsbäume und moderne Ensemble-Learning-Techniken wie Random Forest, XGBoost und CatBoost.

Tag 1: Unüberwachtes Lernen - Neben dem Verständnis von K-means, hierarchischem Clustering und DBSCAN lernst du, wie man bei Anwendug dieser Modelle eine optimale Anzahl von Clustern identifiziert, Cluster-Labels erzeugt und die Resultate mit Hilfe von Visualisierungen und Statistik zu interpretieren. Ein weiterer Schwerpunkt wird die Anwendung von Dimensionalitätsreduktionstechniken wie Hauptkomponentenanalyse und t-SNE sein. Tag 2: Machine Learning-Anwendungsfall - Du kehrst zurück zu Klassifikationsmodellen (jetzt mit den Möglichkeiten des unüberwachten Lernens) und wirst deine Kenntnisse in einem realen Szenario anwenden. Ein weiterer Schwerpunkt dieses Tages ist es unüberwachtes mit überwachtem Lernen zu kombinieren und dadurch die Leistungsfähigkeit von ML-Systemen zu erhöhen.

Tag 1: Modellverzerrung und Erklärbarkeitsanalyse - Die meisten Machine Learning-Modelle sind verzerrt. Du wirst Visualisierungstechniken anwenden, um Modellverzerrungen sichtbar zu machen und mittels modernen Frameworks wie LIME und SHAP versuchen diese zu interpretieren und mögliche Ursachen zu erklären. Du wirst auch die Grenzen dieser Methoden kennenlernen und erfahren, wie du den Effekt von Störfaktoren in solchen Analysen identifizieren kannst. Tag 2: Hyperparameter-Tuning und AUTO-ML - Nachdem du deine eigenen Machine Learning-Pipelines entwickelt und verwendet hast, wirst du an diesem Tag lernen, wie du die viele Komponenten der Machine Learning-Modellentwicklung und Evaluierung mit modernsten AUTO-ML-Frameworks wie PyCaret, TPOT und MLJAR automatisieren kannst.

Tag 1: ML Model Deployment - Nachdem wir nun alles über die Modellentwicklung gelernt haben, ist es an der Zeit, zum nächsten Schritt im ML-Prozesszyklus überzugehen - dem Deployment. Du wirst mit git und Versionskontrollsystemen vertraut werden und lernst Strategien zur Modellbereitstellung kennen. Dabei erfährst du auch über die wichtigsten Schritte zur Erstellung und Bereitstellung eines Machine Learning-Modells in der Cloud mit AWS sowie lokal in einer virtuellen Umgebung. Tag 2: Experiment Tracking und Model Monitoring - Jedes Machine Learning-Modell muss nach dem Deployment in der Produktion überwacht werden. Am letzten Vorlesungstag dieses Kurses wirst du statistische Techniken anwenden, um die Performance eines Modells zu überwachen und potentiellen Datendrift zu quantifizieren.

Tag 1: Bring dein persönliches Projekt mit und implementiere deine komplette Machine Learning-Pipeline. Wir werden dich mit Vorschlägen versorgen. Tag 2: Weiterführung und Kurzpräsentationen der Abschlussprojekte.