Dieser Kurs führt den Lernenden in das angewandte maschinelle Lernen ein, wobei der Schwerpunkt eher auf den Techniken und Methoden als auf den Statistiken hinter diesen Methoden liegt. Der Kurs beginnt mit einer Diskussion darüber, wie sich maschinelles Lernen von deskriptiver Statistik unterscheidet, und stellt das scikit learn toolkit anhand eines Tutorials vor. Das Problem der Dimensionalität von Daten wird erörtert und die Aufgabe, Daten zu clustern sowie diese Cluster auszuwerten, wird in Angriff genommen. Es werden überwachte Ansätze für die Erstellung von Vorhersagemodellen beschrieben, und die Teilnehmer werden in der Lage sein, die scikit learn Methoden zur Vorhersagemodellierung anzuwenden und gleichzeitig die mit der Verallgemeinerbarkeit von Daten verbundenen Probleme zu verstehen (z.B. Kreuzvalidierung, Overfitting). Der Kurs endet mit einem Blick auf fortgeschrittenere Techniken, wie z.B. die Bildung von Ensembles, und auf die praktischen Grenzen von Vorhersagemodellen. Am Ende dieses Kurses werden die Teilnehmer in der Lage sein, den Unterschied zwischen einer überwachten (Klassifizierung) und einer unüberwachten (Clustering) Technik zu erkennen, festzustellen, welche Technik sie für einen bestimmten Datensatz und Bedarf anwenden müssen, Merkmale zu entwickeln, um diesen Bedarf zu decken, und Python-Code zu schreiben, um eine Analyse durchzuführen.

Dieser Kurs sollte nach Introduction to Data Science in Python und Applied Plotting, Charting & Data Representation in Python und vor Applied Text Mining in Python und Applied Social Analysis in Python belegt werden.