Themen und Termine

Semester-Strukturierung, hier für das WS 2022 an der HAW LA.

Der Unterricht ist DIGITAL. Zoom siehe Moodle-Kurs.

• siehe auch dsci-Mindmap: http://jbusse.de/dsci-101/d_dsci-mindmap-ws2022.html

KW 41: Arbeitsfähigkeit herstellen

Mo 2022-10-10, 10:30-14:20 Uhr

Vortrag JB:

• Arbeitsweise im Kurs

• oberflächliche Übersicht über diese Website

• Was ist das dsci-lab?

• Python lernen: Tipps siehe http://jbusse.de/dsci-lab/t_python-lernen.html

Nachbereitung heute = Vorbereitung kommende Woche:

• Das dsci-lab in den nächsten 2 Tagen downloaden und installieren.

• das Kaggle-Modul der Folgewoche KL > Python schon mal anschauen: grundlegende Probleme oder Hindernisse erkennbar?

• ZUSATZTERMIN Mi 2022-10-12, 9-10 Uhr: Erste Hilfe

  • bei Installations-Problemen des dsci-lab

  • auch bei ernsthaften Python-Problemen

Die Theorie wird im wesentlichen abgedeckt mit:

• Michael Bowles: Machine Learning in Python: Essential Techniques for Predictive Analysis. Wiley 2015. Online in der HAW LA: https://flatp20.bib-bvb.de/search?bvnr=BV043397686

KW 42: Python

Vortrag JB:

• Das Öko-System Jupyter Notebook, Jupyterbook, Zotero

  • jb create test, dann die verschiedenen Dateien anschauen, spielen; auch jupytext

• Strategien, um Python zu wiederholen (oder neu lernen)

  • z.B. http://localhost:8888/notebooks/a/l/LA_2022_ws/b/dsci-lab/t_kaggle-intro-python.ipynb http://jbusse.de/dsci-lab/t_kaggle-intro-python.html: Spielen mit Python

• Python-Ressourcen

Lernziel: Arbeitsfähig sein, alles muss funktionieren;

• und zwar am einfachsten im dsci-lab,

• zur Not ersatzweise auch in einer eigenen Conda-Installation, oder auch Online.

Bitte um Mithilfe bis kommende Woche:

• Datensammlung Alter, Größe, Schugröße, Geschlecht (man, woman, girl boy), Details: http://jbusse.de/dsci-101/d_schuhgroesse.html

Gemeinsame Arbeitsweise:

• Erste Fingerübungen in Python: Herumspielen mit Mengen, Listen, Dicts, siehe http://jbusse.de/2021_ws_dsci/python-lernen-dicts.html

Zusammenfassung: Zusammenfassung: Python -> <>

KW 43

Gemeinsame Arbeitsweise: Wir erarbeiten uns in Einzel- oder Kleingruppenarbeit die Inhalte des aktuellen Kaggle-Moduls, nämlich KL > Intro to Machine Learning durcharbeiten.

• Schritt 1, Input: Das Kaggle-Modul durcharbeiten

• Schritt 2, Rekapitulation: Anhand der Zusammenfassung Zusammenfassung: intro to ml ein eigenes Notebook erstellen.

KW 44

Kaggle-Modul: KL > Intermediate Machine Learning

KW 45

• Kaggle-Modul: KL > Data Visualization

Einführung in Bowles und die Bowles-Datensätze:

• Bowles, Michael: Machine learning in Python. Essential Techniques for Predictive Analysis. Wiley 2015. Bibliothek der HAW LA: https://flatp20.bib-bvb.de/search?bvnr=BV043397686

• Ort der Dateien siehe Bowles Notebooks

Gruppenarbeit, erste Runde, Auftrag: Im Yopad als Markdown-Datei einen Steckbrief erstellen, danach im Plenum Vorstellung der Ergebnisse auf Basis der öffentlichen Etherpads:

• Wo in Bowles (Kapitel, Seiten, Notebooks etc.) schreibt Bowles etwas zu dem Datensatz?

• recherchieren (z.B. googeln): Wo kommt der Datensatz her, wo ist er schon beschrieben?

• Welche Art von ML-Problem haben wir?

• Inhaltsangabe für hypothetischeS Notebook:

  • Schritte, um mit Regression / logistischer Regression ein Modell zu erstellen und zu testen?

  • Welches Feature Engineering ist hilfreich?

ab 13 Uhr: Zuerst einlesen: https://de.wikipedia.org/wiki/Glas#Einteilung_der_Gläser, dort -> Nach Art des “Chemismus”; dann nochmal Breakout-Session zu Glass und Wine, dann kurzer Bericht im Plenum

KW 46

• Kaggle-Modul: KL > Pandas

• Einführung in den Datensatz “Schuhgröße”

KW 47

Kaggle-Modul: KL > Feature Engineering

Datensatz Schuhgröße, erste Schritte zum Beispiel so: EDA Schuhgröße

• verstehen, was da passiert!

• dazu die Datenstrukturen nochmal genauer anschauen: Wie kann man das machen?

Hausaufgabe: Bis kommende Woche ein grobschlächtiges erstes ML-Modell “Gender” erstellen, nämlich

• Gender aus den anderen 3 Attributen vorhersagen

Datensatz WS 2022: https://moodle.haw-landshut.de/mod/resource/view.php?id=396706

KW 48

Besprechung des Modells “Gender” (Hausaufgabe aus der vergangenen Woche)

Weiteres ML-Modell “Schugröße” konstruieren:

• Schuhgröße aus Alter, Körpergröße, Gender

Studienprojekt: Modelle “Gender” und “Schuhgröße” verfeinern, Datensätze beschreiben, Doku des ML-Modells erstelen