Hinweis: Dieser Kurs wird zur Zeit nicht angeboten.
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!
Zurück zu R-Schulungen: Übersicht über Seminare / Workshops / Module