Få en praktisk introduktion til Machine Learning i Python og lær at bygge modeller, der kan forudsige alt fra priser til brugeradfærd. På dette kursus lærer du at forberede data, vælge algoritmer, træne og evaluere modeller samt integrere dem i applikationer. Vi arbejder hands-on med Pandas, NumPy og scikit-learn, så du går herfra med færdigheder, du kan bruge med det samme.

Beskrivelse

Machine Learning (ML) er en af nøgleteknologierne bag moderne dataanalyse, automatisering og AI-løsninger. På dette kursus får du en solid og hands-on introduktion til, hvordan du anvender ML i Python til at skabe modeller, der kan lave predictions, classification og finde mønstre i data.

Vi starter med en introduktion til ML’s grundprincipper og Python’s ML-økosystem, herunder de vigtigste biblioteker som NumPy, Pandas og scikit-learn. Du lærer forskellen på supervised, unsupervised og reinforcement learning, og hvornår de bruges i praksis.

Herefter repeterer vi data preparation i Pandas og NumPy, hvor du lærer at gøre datasæt klar til ML-modellering gennem cleaning, feature engineering, skalering og visualisering. Vi går videre til regression (prediction af numeriske værdier) og classification (opdeling i kategorier) med konkrete cases som forudsigelse af boligpriser og email classification.

Kurset dækker også tree-based models som Decision Trees og Random Forest, samt en kort introduktion til Support Vector Machines (SVM). Derudover introduceres unsupervised learning med clustering og PCA.

Du lærer at evaluere model performance, undgå overfitting, tune hyperparameters og gøre dine modeller klar til deployment. Bias-variance tradeoff forklares med intuitive eksempler som polynomial regression og learning curves.

Undervisningen kombinerer teori med masser af hands-on øvelser, så du både forstår de bagvedliggende principper og lærer at anvende ML i praksis.

Efter kurset kan du:

• Forberede og analysere data i Pandas og NumPy
• Udvælge og anvende ML-algoritmer til regression og classification
• Evaluere model performance og undgå overfitting
• Implementere tree-based models og forstå SVM’s konceptuelle styrker
• Bruge unsupervised learning til clustering og dimensionality reduction
• Tune hyperparameters og optimere model performance
• Gemme, genindlæse og integrere ML-modeller i applikationer

Tilhørende exam

TSU-630 - Machine Learning Fundamentals

Forudsætninger

Kurset forudsætter NS0228 Python, Pandas og NumPy eller tilsvarende færdigheder i Python, herunder arbejde med Pandas, NumPy og datavisualisering.

Videre forløb

NS0640 – Deep Learning og Neurale Netværk

Modul 1  Introduction to Machine Learning

•  
• What is ML? Real-world examples
• ML vs. classical programming
• Types of ML: supervised, unsupervised, reinforcement

Modul 2  Data Preparation and Exploration with Pandas and scikit-learn

•  
• Data loading and cleaning (NaN, duplicates, data types)
• Transformation of categorical variables (one-hot encoding)
• Scaling/normalization of numerical features
• Data exploration and visualization
• Hands-on: Preparing a raw dataset for ML modeling

Modul 3  Supervised Learning – Regression

•  
• Regression with scikit-learn (train/test split, fit/predict)
• Interpretation of coefficients and performance metrics (R², MAE, MSE)
• Case: Predicting housing prices

Modul 4  Supervised Learning – Classification

•  
• Classification problems: binary vs. multi-class
• Logistic regression and Naive Bayes
• Evaluation metrics: accuracy, precision, recall, confusion matrix
• Case: Email classification or churn prediction

Modul 5  Tree-based Models, Ensembles and SVM

•  
• Decision Trees and Random Forest (ensemble methods)
• Feature importance and visualization
• Short introduction to Support Vector Machines

Modul 6  Introduction to Unsupervised Learning

•  
• When to use unsupervised learning
• K-means clustering with practical example
• PCA (Principal Component Analysis) for reduction and visualization

Modul 7  Model Validation and Overfitting

•  
• Train/test split and cross-validation
• Bias-variance tradeoff explained visually
• Polynomial regression as an example of overfitting/underfitting
• Learning curves and model complexity

Modul 8  Hyperparameter Tuning

•  
• Hyperparameters and model optimization
• GridSearchCV and RandomizedSearchCV
• Hands-on: Tuning a Random Forest estimator

Modul 9   Model Persistence and Deployment

•  
• Saving models with pickle/joblib
• Integration into applications (REST API, batch processing)
• Monitoring model drift: data drift, concept drift, retraining and version control