PCA und t-SNE Grundkurs: ML Algorithmen im Griff

Verstehe, wann lineare Projektion reicht und wann Nachbarschaften zählen, inklusive typischer Fallstricke bei Visualisierung und Interpretation. Zu den Schwerpunkten gehören Warum Dimensionalitätsreduktion überhaupt?, PCA von Grund auf richtig, t-SNE verstehen statt nur klicken, PCA und t-SNE sauber vergleichen, Praxis-Workflow für echte Datensätze und Grenzen, Alternativen und Entscheidungen.

Die Schulung richtet sich an Data Analysts und BI-Professionals, die hochdimensionale Daten visualisieren, Data Scientists, die PCA oder t-SNE in Exploration und Modellvorstufen nutzen, Machine-Learning-Engineers, die robuste Pipelines und Auswertungen bauen und Fachkräfte aus Forschung und Produktanalyse, die Muster und Ausreißer belastbar erklären müssen sowie alle, die PCA und t-SNE verstehen und Ergebnisse sauber interpretieren wollen.

Grundkenntnisse in Statistik (Mittelwert, Varianz, Korrelation) und sicherer Umgang mit Tabellen- und Diagrammbegriffen. Erste Erfahrung mit Datenanalyse in Python oder R ist hilfreich, aber nicht zwingend.

Zu den Schwerpunkten gehören Warum Dimensionalitätsreduktion überhaupt?, PCA von Grund auf richtig, t-SNE verstehen statt nur klicken, PCA und t-SNE sauber vergleichen, Praxis-Workflow für echte Datensätze und Grenzen, Alternativen und Entscheidungen.

Ja. Ein eigener praxisbezogener Schwerpunkt ist „Praxis-Workflow für echte Datensätze“. Dabei geht es unter anderem um Pipeline-Denken mit Train/Test und Cross-Validation, Visual Analytics: Klassen, Cluster, Ausreißer und Dokumentation: Plot-Interpretation ohne Überdehnung. So werden die Inhalte auf konkrete Aufgaben und Anwendungssituationen übertragen.

Zu den angestrebten Ergebnissen gehören: Wenn Du PCA und t-SNE nutzt, willst Du meist Cluster erkennen, Ausreißer finden oder komplexe Daten verständlich darstellen; Genau dafür brauchst Du mehr als einen Plot; In diesem Seminar lernst Du, welche Fragestellungen Dimensionalitätsreduktion wirklich beantworten kann und wo ihre Grenzen liegen; Du startest mit den typischen Problemen hochdimensionaler Räume: Warum werden Abstände „gleich“, weshalb kippt Intuition und wie wirkt sich das auf Clustering und Visualisierung …; Danach arbeitest Du mit PCA als methodischem Werkzeug zur Strukturierung von Varianz.

Ja. „t-SNE verstehen statt nur klicken“ ist ein eigener Bestandteil der Schulung. Dazu gehören Perplexity, Learning Rate, Iterationen, Warum globale Abstände täuschen können, Stabilität, Random Seed und Reproduzierbarkeit und Overplotting und sinnvolle Visualisierungen.