In diesem Kurs lernen Sie die notwendigen theoretischen Grundlagen und praktischen Fertigkeiten, um wichtige Klassifikationsmethoden erfolgreich anwenden zu können. Im ersten Teil des Kurses werden an Hand von Beispielen aus der Praxis wichtige Methoden vorgestellt und analysiert. Sie lernen dabei auch allgemeine Konzepte und Grössen kennen, die Ihnen die Auswahl, Anwendung und Evaluation von Machine-Learning-Methoden ermöglichen. Im zweiten Teil bearbeiten Sie in Gruppen unter Anleitung der Dozierenden eine eigene oder vorgegebene Problemstellung. Hier können Sie Daten aus dem eigenen Berufsumfeld verwenden und so ggf. bereits eine Anwendung für Ihre Firma erschaffen. In einer Abschlusspräsentation stellen Sie Ihr Modell, Vorgehen und Resultate vor.
Lernziele:
- Grundlegende Begriffe und Konzepte kennen wie un-/supervised Learning, Regression, Klassifikation, Training, Validierung, Fehlerrate, Bootstrap
- Typische Anwendungsbeispiele der Klassifikation kennen
- Folgende Klassifikationsverfahren kennen, verstehen, anwenden und beurteilen: * Einfache und multiple logistische Regression * Decision Tree (Entscheidungsbaum) * Random Forest (mehrere Entscheidungsbäume) * Support Vector Machine (trennende Hyperebene, Kernmethoden)
- Konkrete Anwendung und Implementierung mit der Software R
Unsere Dozierenden sind Experten in Mathematik, Physik, Informatik und Statistik mit internationaler Reputation, wissenschaftlichen Veröffentlichen in ausgewiesenen Fachzeitschriften und angewandten Forschungsprojekten mit erfolgreichen Industrieunternehmen
