Machine Learning und Data Mining mit R

Details zu den Algorithmen, mit denen wir uns in diesem Seminar beschäftigen:

Überwachtes Lernen / Supervised Learning 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)

Unüberwachtes Lernen / Unsupervised Learning

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

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

Überanpassung (Overfitting) vermeiden: Kreuzvalidierung
Uneinheitlichen R-Code für eine Vielzahl von Machine Learning-Algorithmen handhaben: eine gemeinsame Schnittstelle mit einheitlicher Syntax
Modellvergleiche, Gütekriterien; Modell-Optimierung (tuning)

Empfohlene Seminardauer: 3 Tage. Je nach Vorkenntnissen bzw. bei Auswahl von Teilgebieten sind auch kompaktere Seminare möglich.

Hinweis: Folgende Teilgebiete des Maschinellen Lernens werden nicht betrachtet: Reinforcement Learning, Deep Learning

Ich freue mich auf Ihre Nachricht!