ai-academy Online Akademie für künstliche Intelligenz und Deep Learning

Deep Learning mit tabellarischen Daten - Decision Trees, Random Forest und Neuronale Netze

In diesem Spezialkurs lernst du, Machine Learning Modelle für tabellarische Daten selbst zu programmieren! Decision Trees, Random Forests, Neuronale Netze und Recommender Systems mithilfe von Colaborative Filtering wirst du anhand von Codebeispielen selbst programmieren können.

Was lerne ich in diesem Kurs?

Der Kurs DeepLearning mit PyTorch und fastai für tabellarische Daten ermöglicht dir die den Einsatz von tabellarisch strukturierten Daten mit Machine und Deep Learning Modellen. Wir werden analysieren, was tabellarische Daten besonders macht und wie wir diese für unsere Machine Learning Modelle nutzen können.

Lernziele in diesem Kurs:

  • Tabellarische Daten: Du lernst tabellarische Daten kennen und kannst sie für den Einsatz in Machine Learning Modellen wie Decision Trees, Random Forest oder neuronalen Netzen verwenden.
  • Decision Trees: Du kannst selbst die Funktionsweise eines Decision Tree (Entscheidungsbaum) erklären und ein Decision Tree Modell in Python implementieren.
  • TabularPandas: Du weißt über die Funktionen der TabularPandas Klasse in fastai Bescheid und kannst diese in deinen eigenen KI-Modellen einsetzen.
  • Visualieren von Decision Trees: Du lernst, wie du Decision Trees visualisieren kannst und so die Entscheidung des Baumes interpretieren. Du implementierst Python Code, der den Decision Tree optisch ansprechend darstellt.
  • Random Forest: Du lernst einzelne Decision Trees zu einem Random Forest zusammenzufassen. Du kannst selbst ein Random Forest Modell implementieren und damit komplexe Aufgabenstellungen lösen.
  • Teilweise Abhängigkeiten: Du lernst, wie du (teilweise) Abhängigkeiten zwischen Features in deinen tabellarischen Daten erkennen und beheben kannst. Auf diese Weise wirst du immer bessere Decision Tree Modelle bauen können.
  • Data Leakage: Du kannst erklären, was Data Leakage ist und welche Auswirkungen data leakage auf die Prognosefähigkeit deines Decision Trees haben wird.
  • Out-Of-Domain Daten: Du lernst, was wir unter dem Begriff out-of-domain-Daten verstehen und wie du damit in deinem Machine Learning Modell am besten umgehen kannst.
  • Deep Learning für tabellarische Daten: Du lernst, wie du mithilfe von PyTorch und fastai sehr einfach und schnell ein deep learning Modell (neuronales Netz) für den Einsatz mit tabellarischen Daten entwerfen kannst.
  • Ensembling: Du lernst, was Ensembling im Kontext von Machine Learning und künstlicher Intelligenz bedeutet und wie du damit die Prognosefähigkeit deiner KI-Modelle verbessern kannst.
  • Recommender Systeme: Du kannst selbst ein Empfehlungssystem (Recommender System) programmieren, das aufgrund von Benutzerbewertungen Empfehlungen generieren kann.
  • Embeddings: Du lernst Embedding Layer in neuronalen Netzen kennen und lernst die Funktionsweise kennen. Danach zeigen wir, wie du selbst Embedding Layer programmieren und in deinem deep learning Modell verwenden kannst.

Für wen ist dieser Kurs interessant?

Du möchtest selbst Machine Learning Modelle für Klassifizierungen anhand von tabellarischen Daten programmieren können?

Du wolltest schon immer wissen, wie automatische Produktempfehlungen in Webshops oder Streamingplattformen funktionieren und solche Recommender Systeme auch selbst implementieren?

Du möchtest selbst erkennen, warum mithilfe von deep learning (bzw. neuronalen Netzen) für beinahe 99% aller Machine Learning Problemstellungen state-of-art Modelle entwickelt werden können?

Wenn du nun zumindest eine der obigen Fragen mit ja beantwortet hast, dann empfehle ich dir, unseren Spezialkurs “DeepLearning mit PyTorch und fastai für tabellarische Daten” zu buchen.

In diesem Spezialkurs erfährst du alles Erforderliche, um selbständig auf Basis von PyTorch und fastai Machine Learning Modelle aus folgenden Bereichen zu implementieren:

  • Decision Tree
  • Random Forest
  • Deep Learning mit Embeddings und neuronal Netzen
  • Recommender Systeme auf Basis von collaborative filtering

Decision Tree

Als Decisin Tree wird im Rahmen von künstlicher Intelligenz und Machine Learning eine Datenstruktur bezeichnet, einen gerichteten, binären Baum darstellt. Sämtliche Eingangsdaten gehen vom Wurzelknoten aus durch den Entscheidungsbaum, bis sie einen Blattknoten erreicht haben.

Random Forest

Ein einzelner Decision Tree (Entscheidungsbaum) ist ein recht simpler Klassifizierer. Im Bereich der künstlichen Intelligenz geht es jedoch meist um die Analyse von komplexen Problemstellungen. Hierfür können viele einfach Decision Trees zu einem Entscheidungswald (Forest) zusammengefasst werden.

Um eine höchstmögliche Generalisierbarkeit des Modells sicherzustellen, wird eine Zufallskomponente hinzugefügt. Dies bezeichnen wir dann als Random Forest.

Deep Learning mittels neuronaler Netze

Wenn wir deep learning Techniken (bzw. neuronale Netze) für tabellarische Daten einsetzen wollen, so kommen wir nicht embedding Layern vorbei. Der Embedding Layer ist stark vereinfacht ausgedrückt ein Array, in dem unser Modell bestimmte Werte der Features nachschlagen kann. So wird die Performance unseres neuronalen Netzes enorm gesteigert.

Recommender Systeme - Collaborative Filtering

Empfehlungssysteme (recommender systeme) generieren Empfehlungen auf Basis von ähnlichen Benutzern.

Amazon generiert etwa 35% des gesamten Umsatzes mithilfe solcher automatisiert generierten Produktempfehlungen.

Da bei solchen Systemen jedoch nicht nur die Vorlieben von zwei Benutzern miteinander verglichen werden, sondern eine Vielzahl an Benutzerprofilen analysiert werden, leitet sich auch der Name collaborative filtering ab.

Welche Vorkenntnisse sollte ich für diesen Kurs mitbringen?

Um das beste Lernergebnis aus diesem Spezialkurs ziehen zu können, solltest du bereits über Programmierkenntnisse in Python verfügen.

Die Themen künstliche Intelligenz, Machine Learning und Deep Learning Modelle sollten dir nicht ganz fremd sein.

Im Idealfall hast du schon mit PyTorch oder fastai deep learning Projekte entwickelt.

Wenn du deine Kenntnisse hier noch nachschärfen möchtest, dann möchten wir dich auf unsere Kursreihe “welcome2ki” verweisen. Dort lernst du alle notwendigen Basiskenntnisse, damit auch diesen Kurs erfolgreich absolvieren kannst.

Wie kann ich mich für den Kurs einschreiben?

Wir bieten diesen Kurs auf Udemy an. Hier kommst du zur Kursseite auf Udemy!

Wie lange habe ich Zeit, den Kurs zu absolvieren?

Der Kurs ist für dich lebenslang zugänglich. Du kannst den Kurs in individuellen Tempo absolvieren und auch nach erfolgreichem Abschluß jederzeit wieder auf die Unterlagen und Videos zugreifen.