Datamics, profile picture
Hochgeladen vonDatamics
1,658 aufrufe

Machine Learning mit Python

Das Dokument bietet eine Einführung in Machine Learning mit Python unter Verwendung des scikit-learn Pakets, das grundlegende Algorithmen und den typischen Prozess von der Datenakquisition über Modelltraining bis hin zu Modelltests und -einsatz behandelt. Es werden auch spezifische Methoden für überwachtes und unbeaufsichtigtes Lernen erläutert, einschließlich der Verwendung von Modelfit- und Vorhersagemethoden. Der Kurs umfasst zahlreiche Übungen zur Vertiefung des Verständnisses und zur praktischen Anwendung der Konzepte.

Präsentation einbetten

Machine Learning mit Python Eine Einführung
Python Paket • Wir nutzen im diesem Kurs das Scikit Learn Paket • Es ist das bekannteste Machine Learning Paket für Python und bietet viele bereits eingebaute Algorithmen • Zur Installation führe bitte folgenden Code aus: Machine Learning mit Python conda install scikit-learn Oder pip install scikit-learn by Datamics, 2018
Machine Learning Prozess Machine Learning mit Python Daten Bereinigung Daten Akquisition Modell Training Modell Tests Modell Einsatz Test Daten by Datamics, 2018
Prozess mit Scikit Learn • Schauen wir uns nun ein Beispiel für einen solchen Prozess mit SciKit Learn an. • Macht euch keine großen Sorgen darüber, ob ihr euch alles merken könnt! Wir werden viele Übungen und Erklärungen zu diesem Beispiel und darüber hinaus in den folgenden Lektionen behandeln. Machine Learning mit Python by Datamics, 2018
Prozess mit Scikit Learn • Jeder Algorithmus in scikit-learn wird durch einen „Estimator“ (dt. Schätzer) dargestellt • Zuerst importieren wir das Modell in der allgemeinen Syntax: from sklearn.family import Modell • Oder zum Beispiel: from sklearn.linear_model import LinearRegression Machine Learning mit Python by Datamics, 2018
Prozess mit Scikit Learn • Alle Parameter des Estimators können bei seiner Instanziierung festgelegt werden und alle haben passende Standardwerte • In Jupyter können wir Shift+Tab verwenden, um alle möglichen Parameter einzusehen Machine Learning mit Python by Datamics, 2018
Prozess mit Scikit Learn Zum Beispiel: model = LinearRegression(normalize=True) print (model) LinearRegression(copy_X=True, fit_intercept=True, normalize=True) Machine Learning mit Python by Datamics, 2018
Prozess mit Scikit Learn • Sobald wir unser Modell mit den richtigen Parametern erstellt haben ist es wichtig es auf Daten anzupassen. • Denkt aber daran, dass wir die Daten in Trainings- und Testdaten aufteilen sollten. Machine Learning mit Python by Datamics, 2018
Beispiel mit Scikit Learn Machine Learning mit Python by Datamics, 2018
Beispiel mit Scikit Learn Machine Learning mit Python by Datamics, 2018
Prozess mit Scikit Learn • Nachdem wir unsere Daten aufgeteilt haben können wir das Modell trainieren. • Dazu verwenden wir die model.fit() Methode: model.fit(X_train,y_train) Machine Learning mit Python by Datamics, 2018
Prozess mit Scikit Learn • Jetzt wurde unser Modell basierend auf den Trainingsdaten trainiert. • Es ist jetzt in der Lage Kennzeichnungen oder Werte der Testdaten vorherzusagen. • Hinweis: Wir sprechen hier über Supervised Learning • Wir können Werte vorhersagen indem wir folgenden Code verwenden: predictions = model.predict(X_test) Machine Learning mit Python by Datamics, 2018
Prozess mit Scikit Learn • Anschließend können wir unser Modell auf seine Qualität testen indem wir vorhergesagte Werte mit tatsächlichen Werten vergleichen • Die Methode der Evaluierung hängt vom verwendeten Machine Learning Algorithmus ab Machine Learning mit Python by Datamics, 2018
Zusammenfassung • Scikit-learn strebt danach für alle Methoden (die wir behandeln werden) den gleichen Aufbau zu verwenden. • Ausgehend vom Estimator namens model gilt folgendes: • Verfügbar für jeden Estimator • model.fit(): Auf Trainingsdaten anpassen • Für Supervised Learning: Feature X und Label y -> model.fit(X,y) • Für Unsupervised Learning: Nur Daten X -> model.fit(X) Machine Learning mit Python by Datamics, 2018
Zusammenfassung • Verfügbar für supervised Estimators • model.predict(): ausgehend von einem trainierten Modell sagt der Estimator die Labels (Kennzeichnungen) neuer Daten (meist den Testdaten) vorhersagen (en. predict). Dazu übergeben wir ein Argument: die neuen Daten -> model.predict(X_neu) • So erhalten wir ein Array aus dem Label für die neuen Daten • model.score(): für Klassifizierungsprobleme. Scores liegen zwischen 0 und 1, wobei 1 eine bessere Einordnung bedeutet Machine Learning mit Python by Datamics, 2018
Zusammenfassung • Verfügbar für unsupervised Estimators • model.predict(): sagt Kennzeichnungen in Cluster-Algorithmen vorher • model.transform(): ausgehend von einem unsupervised Modell können wir so neue Daten zur neuen Grundlage machen. • Wir gehen später genauer auf dieses Konzept ein • model.fit_transform(): einige Estimators implementieren diese Methode, die effizienter eine Anpassung und Transformation mit dem selben Input durchführt Machine Learning mit Python by Datamics, 2018
Entscheidungshilfe Machine Learning mit Python by Datamics, 2018

Weitere ähnliche Inhalte

PDF
R für Data Science und Machine Learning
vonDatamics
 
PDF
Support Vector Machines mit Python
vonDatamics
 
PDF
Python Installationen für Data Science
vonDatamics
 
PPTX
Slideshare reinforcement learning
vonDatamics
 
PPTX
Python Bootcamp - Grundlagen
vonDatamics
 
PPTX
Slideshare AutoEncoder
vonDatamics
 
PPTX
Slideshare TensorFlow Grundlagen
vonDatamics
 
PPTX
Slideshare Recurrent Neural Networks (RNN)
vonDatamics
 
R für Data Science und Machine Learning
vonDatamics
 
Support Vector Machines mit Python
vonDatamics
 
Python Installationen für Data Science
vonDatamics
 
Slideshare reinforcement learning
vonDatamics
 
Python Bootcamp - Grundlagen
vonDatamics
 
Slideshare AutoEncoder
vonDatamics
 
Slideshare TensorFlow Grundlagen
vonDatamics
 
Slideshare Recurrent Neural Networks (RNN)
vonDatamics
 

Mehr von Datamics

PPTX
Die Data Science Toolbox
vonDatamics
 
PPTX
Die Data Science Softskills
vonDatamics
 
PPTX
Slideshare GAN
vonDatamics
 
PDF
Principal Component Analysis mit Python
vonDatamics
 
PDF
K Means mit Python
vonDatamics
 
PDF
Decision Trees und Random Forest mit Python
vonDatamics
 
PDF
K Nearest Neighbors mit Python
vonDatamics
 
PDF
Logistische Regression mit Python
vonDatamics
 
PDF
Verzerrung Varianz Dilemma
vonDatamics
 
PDF
Lineare Regression mit Python
vonDatamics
 
Die Data Science Toolbox
vonDatamics
 
Die Data Science Softskills
vonDatamics
 
Slideshare GAN
vonDatamics
 
Principal Component Analysis mit Python
vonDatamics
 
K Means mit Python
vonDatamics
 
Decision Trees und Random Forest mit Python
vonDatamics
 
K Nearest Neighbors mit Python
vonDatamics
 
Logistische Regression mit Python
vonDatamics
 
Verzerrung Varianz Dilemma
vonDatamics
 
Lineare Regression mit Python
vonDatamics
 

Machine Learning mit Python

  • 1.
  • 2.
    Python Paket • Wirnutzen im diesem Kurs das Scikit Learn Paket • Es ist das bekannteste Machine Learning Paket für Python und bietet viele bereits eingebaute Algorithmen • Zur Installation führe bitte folgenden Code aus: Machine Learning mit Python conda install scikit-learn Oder pip install scikit-learn by Datamics, 2018
  • 3.
    Machine Learning Prozess MachineLearning mit Python Daten Bereinigung Daten Akquisition Modell Training Modell Tests Modell Einsatz Test Daten by Datamics, 2018
  • 4.
    Prozess mit ScikitLearn • Schauen wir uns nun ein Beispiel für einen solchen Prozess mit SciKit Learn an. • Macht euch keine großen Sorgen darüber, ob ihr euch alles merken könnt! Wir werden viele Übungen und Erklärungen zu diesem Beispiel und darüber hinaus in den folgenden Lektionen behandeln. Machine Learning mit Python by Datamics, 2018
  • 5.
    Prozess mit ScikitLearn • Jeder Algorithmus in scikit-learn wird durch einen „Estimator“ (dt. Schätzer) dargestellt • Zuerst importieren wir das Modell in der allgemeinen Syntax: from sklearn.family import Modell • Oder zum Beispiel: from sklearn.linear_model import LinearRegression Machine Learning mit Python by Datamics, 2018
  • 6.
    Prozess mit ScikitLearn • Alle Parameter des Estimators können bei seiner Instanziierung festgelegt werden und alle haben passende Standardwerte • In Jupyter können wir Shift+Tab verwenden, um alle möglichen Parameter einzusehen Machine Learning mit Python by Datamics, 2018
  • 7.
    Prozess mit ScikitLearn Zum Beispiel: model = LinearRegression(normalize=True) print (model) LinearRegression(copy_X=True, fit_intercept=True, normalize=True) Machine Learning mit Python by Datamics, 2018
  • 8.
    Prozess mit ScikitLearn • Sobald wir unser Modell mit den richtigen Parametern erstellt haben ist es wichtig es auf Daten anzupassen. • Denkt aber daran, dass wir die Daten in Trainings- und Testdaten aufteilen sollten. Machine Learning mit Python by Datamics, 2018
  • 9.
    Beispiel mit ScikitLearn Machine Learning mit Python by Datamics, 2018
  • 10.
    Beispiel mit ScikitLearn Machine Learning mit Python by Datamics, 2018
  • 11.
    Prozess mit ScikitLearn • Nachdem wir unsere Daten aufgeteilt haben können wir das Modell trainieren. • Dazu verwenden wir die model.fit() Methode: model.fit(X_train,y_train) Machine Learning mit Python by Datamics, 2018
  • 12.
    Prozess mit ScikitLearn • Jetzt wurde unser Modell basierend auf den Trainingsdaten trainiert. • Es ist jetzt in der Lage Kennzeichnungen oder Werte der Testdaten vorherzusagen. • Hinweis: Wir sprechen hier über Supervised Learning • Wir können Werte vorhersagen indem wir folgenden Code verwenden: predictions = model.predict(X_test) Machine Learning mit Python by Datamics, 2018
  • 13.
    Prozess mit ScikitLearn • Anschließend können wir unser Modell auf seine Qualität testen indem wir vorhergesagte Werte mit tatsächlichen Werten vergleichen • Die Methode der Evaluierung hängt vom verwendeten Machine Learning Algorithmus ab Machine Learning mit Python by Datamics, 2018
  • 14.
    Zusammenfassung • Scikit-learn strebtdanach für alle Methoden (die wir behandeln werden) den gleichen Aufbau zu verwenden. • Ausgehend vom Estimator namens model gilt folgendes: • Verfügbar für jeden Estimator • model.fit(): Auf Trainingsdaten anpassen • Für Supervised Learning: Feature X und Label y -> model.fit(X,y) • Für Unsupervised Learning: Nur Daten X -> model.fit(X) Machine Learning mit Python by Datamics, 2018
  • 15.
    Zusammenfassung • Verfügbar fürsupervised Estimators • model.predict(): ausgehend von einem trainierten Modell sagt der Estimator die Labels (Kennzeichnungen) neuer Daten (meist den Testdaten) vorhersagen (en. predict). Dazu übergeben wir ein Argument: die neuen Daten -> model.predict(X_neu) • So erhalten wir ein Array aus dem Label für die neuen Daten • model.score(): für Klassifizierungsprobleme. Scores liegen zwischen 0 und 1, wobei 1 eine bessere Einordnung bedeutet Machine Learning mit Python by Datamics, 2018
  • 16.
    Zusammenfassung • Verfügbar fürunsupervised Estimators • model.predict(): sagt Kennzeichnungen in Cluster-Algorithmen vorher • model.transform(): ausgehend von einem unsupervised Modell können wir so neue Daten zur neuen Grundlage machen. • Wir gehen später genauer auf dieses Konzept ein • model.fit_transform(): einige Estimators implementieren diese Methode, die effizienter eine Anpassung und Transformation mit dem selben Input durchführt Machine Learning mit Python by Datamics, 2018
  • 17.