Machine Learning und Data Mining mit R

Objectives

Methoden des maschinellen Lernens erfreuen sich rasch wachsender Beliebtheit und erobern immer neue Anwendungsgebiete. In dem Kurs werden Grundlagen des maschinellen Lernens anhand von Praxisbeispielen vorgestellt. Während das Data Mining vorrangig auf die Ableitung von Erkenntnissen aus vorhandenen Daten abzielt, geht es beim Maschinellen Lernen mehr um Vorhersagen, d.h. die Anwendung der zuvor "trainierten" Modelle auf neue Daten. Die eingesetzten Methoden überschneiden sich jedoch.

Target audience

Alle, die sich für maschinelles Lernen mit der freien, leistungsfähigen R-Software interessieren

Requirements

Grundkenntnisse in R sind sinnvoll, um die Code-Beispiele nachvollziehen zu können

Agenda

Supervised Learning / Überwachtes Lernen 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)

Unsupervised Learning / Unüberwachtes Lernen

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

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

• Eine gemeinsame Schnittstelle mit einheitlicher Syntax zu vielen Machine-Learning-Algorithmen
• Modell-Evaluation und Modellvergleiche mit modernen Resampling-Methoden (z. B. 10-fache Kreuzvalidierung mit 10 Wiederholungen)
• Modellvergleiche, Gütekriterien; Modell-Optimierung (tuning)

Hinweis: Die Teilbereiche des maschinellen Lernens Reinforcement Learning und Deep Learning werden in diesem Kurs nicht behandelt.