Machine-Learning-Bibliotheken mit Python praxisnah anwenden

Machine-Learning-Bibliotheken mit Python praxisnah anwenden

Ein praktischer Leitfaden zur Anwendung von Scikit-Learn, TensorFlow, PyTorch und weiteren Tools für maschinelles Lernen

Inhaltsverzeichnis

Kapitel 1: Einführung in maschinelles Lernen mit Python

• Überwachtes vs. unüberwachtes Lernen
• Der ML-Prozess: Datensammlung, Training, Bewertung
• Warum Python? Warum verschiedene Bibliotheken?
• Überblick über Scikit-Learn, TensorFlow, PyTorch, XGBoost, LightGBM

Kapitel 2: Daten vorbereiten mit pandas und scikit-learn

• Datensätze laden, bereinigen und untersuchen
• Feature-Engineering, Normalisierung, One-Hot-Encoding
• Train-Test-Split, Pipelines, Cross-Validation
• Mini-Projekt: Vorverarbeitung eines UCI-Datensatzes

Kapitel 3: Klassifikation und Regression mit Scikit-Learn

• Lineare Modelle, Entscheidungsbäume, Random Forest
• Evaluierung: Accuracy, Precision, ROC
• Modellwahl mit GridSearchCV
• Mini-Projekt: Vorhersage von Hauspreisen mit RandomForest

Kapitel 4: Neuronale Netze mit TensorFlow und Keras

• TensorFlow-Architektur und Keras-API
• Erstellung und Training einfacher neuronaler Netze
• Modell speichern, laden und auswerten
• Mini-Projekt: Handgeschriebene Ziffern mit MNIST klassifizieren

Kapitel 5: Deep Learning mit PyTorch

• Tensors, Modelle, Autograd, Optimizer
• Eigene Netzarchitektur definieren
• Training Loop und Datensets
• Mini-Projekt: Bilderklassifikation mit PyTorch und CIFAR-10

Kapitel 6: Gradient Boosting mit XGBoost und LightGBM

• Boosting-Konzepte und Vergleich zu Random Forest
• Anwendung in Klassifikation und Regression
• Feature Importance und Modellinterpretation
• Mini-Projekt: Kreditrisikovorhersage mit XGBoost

Kapitel 7: Unüberwachtes Lernen und Clustering

• KMeans, DBSCAN, PCA, t-SNE
• Visualisierung mit Matplotlib und Seaborn
• Mini-Projekt: Kundensegmentierung im E-Commerce

Kapitel 8: Modellbereitstellung und Inferenz

• Modelle exportieren (Pickle, Joblib, SavedModel)
• Flask/FastAPI als REST-API für ML-Inferenz
• Mini-Projekt: Scikit-Learn-Modell als Web-Service bereitstellen

Kapitel 9: Zeitreihenanalyse und Prognosemodelle

• Zeitreihendaten mit pandas und statsmodels
• ARIMA, Prophet, LSTM-Modelle
• Mini-Projekt: Wetter- oder Aktienprognose mit Prophet

Kapitel 10: Best Practices und Workflow-Optimierung

• Wiederholbarkeit, Zufallsseeds, Dokumentation
• Fehleranalyse, Overfitting, Underfitting
• Vergleich verschiedener Modelle
• Mini-Projekt: Modellvergleich mit automatischer Bewertung

Anhang A: Bibliotheksübersicht

• scikit-learn, tensorflow, keras, pytorch, xgboost, lightgbm, prophet, pandas, matplotlib

Anhang B: Referenzmetriken und Scoring-Funktionen

• MSE, MAE, R², Accuracy, Precision, Recall, F1, ROC-AUC

Anhang C: Übungsaufgaben mit Lösungen

• Klassifikation mit Scikit-Learn
• Keras-Modell erstellen und speichern
• Boosting-Modell mit GridSearch optimieren
• Detaillierte Lösungsschritte mit Kommentaren