Machine Learning und Data Mining mit R

Classroom Schulung | deutsch | Anspruch

Schulungsdauer: 3 Tage

Ziele

In diesem Kurs werden Ihnen Grundlagen des maschinellen Lernens anhand von Praxisbeispielen vorgestellt.

Zielgruppe

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

Voraussetzungen

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)

Hinweis

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

Ziele

In diesem Kurs werden Ihnen Grundlagen des maschinellen Lernens anhand von Praxisbeispielen vorgestellt.

Zielgruppe

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

Voraussetzungen

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)

Hinweis

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

Tags

R

Diese Seite weiterempfehlen