#15 Praktisches Machine Learning mit Python

In Folge 15 sind Jochen und Dominik vom Python Podcast zu Gast um
uns dem maschinellen Lernen zu widmen. Gemeinsam besprechen wir
ganz konkret die notwendigen Schritte, um Nachrichtentexte
automatisch Tags zuzuordnen. Einerseits diskutieren wir über das
richtige Tooling im Python-Umfeld, etwa Jupyter Notebooks, PyData
Tools wie numpy und pandas sowie unsere bevorzugten Plotting
Bibliotheken. Nach einer ersten Datenanalyse besprechen wir den
Umgang mit Null-Werten und wie man mit TF-IDF oder Word-Embeddings
den Text vektorisiert. Wir diskutieren verschiedene Algorithmen aus
der Scikit-Learn Bibliothek und erklären Pipelines und
Hyper-Parameter Tuning. Abschließend überprüfen wir die Güte
unserer Modelle anhand eines Klassifikations-Reports und streifen
Themen Skalierung, Deep Learning und vieles mehr. [Reuters
Dataset](https://martin-thoma.com/nlp-reuters/) [Pandas
Profiling](https://github.com/pandas-profiling/pandas-profiling)
[Pathlib](https://docs.python.org/3/library/pathlib.html)
[Modin](https://github.com/modin-project/modin)
[Pandarallel](https://github.com/nalepae/pandarallel)
[Dask](https://dask.org/) [Sklearn
Pipelines](https://www.kaggle.com/baghern/a-deep-dive-into-sklearn-pipelines)
[Management von Machine Learning
Modellen](https://www.inovex.de/blog/machine-learning-model-management/)
[kaggle](https://www.kaggle.com/)