Dieser Kurs wird nicht mehr gepflegt. Entdecke unsere neuesten Kurse und Labs. Über Feedback auf Discord freuen wir uns.

Machine Learning Praxis-Labs

Dieser Kurs enthält viele Labs für maschinelles Lernen. Jedes Lab ist ein kleines Machine Learning-Projekt mit detaillierter Anleitung und Lösungen. Sie können Ihre Machine Learning-Fähigkeiten verbessern, indem Sie diese Labs absolvieren, Ihre Programmierfähigkeiten aufbauen und lernen, wie Sie sauberen und effizienten Code schreiben.

PythonDatenwissenschaft

💡 Dieser Artikel wurde von AI-Assistenten übersetzt. Um die englische Version anzuzeigen, können Sie hier klicken

Lehrplan

Anpassung an den Zufall bei der Bewertung der Clusterleistung

Coming Soon

Wahrscheinlichkeitskalibrierung von Klassifizierern

Coming Soon

Plot Causal Interpretation

Coming Soon

Classifier Chain Ensemble

Coming Soon

Segmentierung griechischer Münzen mit spectraler Clustering-Methode

Coming Soon

Scikit-Learn Column Transformer

Coming Soon

Vergleich von Manifold Learning

Coming Soon

Kreuzvalidierungstechniken mit Scikit-Learn

Coming Soon

Vergleich von Dimensionalitätsreduktionsstrategien

Coming Soon

Gauß'sches Mischmodell

Coming Soon

Dichteschätzung mit Gaussian Mixture Models

Coming Soon

Gaussian Mixture Model Sinuskurve

Coming Soon

Prognoseintervalle für die Gradientenboosting-Regression

Coming Soon

Gradient Boosting Regression

Coming Soon

Bildentrauschung mit Wörterbuchlernmethode

Coming Soon

Induktives Clustering mit Scikit-Learn

Coming Soon

Binäre Klassifizierung der Iris-Flower mit SVM

Coming Soon

K-Means++ Clustering mit Scikit-Learn

Coming Soon

Halbsupervisioniertes Lernen mit Label Spreading

Coming Soon

Scikit-Learn Lasso-Pfad

Coming Soon

LinearSVC Unterstützungsvektoren

Coming Soon

Das Verständnis der Modellkomplexität

Coming Soon

Gesichtsvervollständigung mit multi-output-Schätzern

Coming Soon

Dimensionalitätsreduzierung mit Neighborhood Components Analysis

Coming Soon

Beispiel für lineare Regression mit Sparsität

Coming Soon

Gewöhnliche kleinste Quadrate und Ridge-Regressions-Varianz

Coming Soon

One-Class SVM zur Novelty Detection

Coming Soon

Fortgeschrittene Grafiken mit partieller Abhängigkeit

Coming Soon

Hauptkomponentenanalyse auf dem Iris-Datensatz

Coming Soon

Permutations-Wichtigkeit darstellen

Coming Soon

Permutations-Wichtigkeit auf dem Breast-Cancer-Datensatz

Coming Soon

Polynomiale und Spline-Interpolation

Coming Soon

Vorhersageverzögerung mit Scikit-Learn-Schätzern

Coming Soon

Robuste lineare Modellschätzung

Coming Soon

RBF SVM-Parameteranpassung

Coming Soon

k-Nearest-Neighbors-Regression

Coming Soon

Scikit-Learn Ridge Regression Beispiel

Coming Soon

Vergleich von konvexen Verlustfunktionen

Coming Soon

Gewichteter Datensatz - Darstellung der Entscheidungsfunktion

Coming Soon

Verwenden von Stacking, um Prädiktoren zu kombinieren

Coming Soon

Visualisierung der Struktur des Aktienmarktes

Coming Soon

SVM Kernel Datenklassifizierung

Coming Soon

Das Entdecken von Parametern des linearen SVM

Coming Soon

Nichtlineare SVM-Klassifikation

Coming Soon

Visualisiere hochdimensionale Daten mit t-SNE

Coming Soon

Vergleich verschiedener kategorischer Encoder

Coming Soon

Support Vector Machine Gewichtete Stichproben

Coming Soon

Neuentdeckungs- und Ausreißererkennung mit Scikit-Learn

Coming Soon

Zufallsprojektion zur Dimensionsreduzierung

Coming Soon

Kurvenanpassung mit Bayesian Ridge Regression

Coming Soon

Klassifizierung mit den nächsten Nachbarn

Coming Soon

Das K-Means-Clustering mit Python erkunden

Coming Soon

Vergleiche Kreuzzerlegungsmethoden

Coming Soon

Plotten des Konzentrations-Priors

Coming Soon

SVM-Klassifizierung mit benutzerdefiniertem Kernel

Coming Soon

Kreuzvalidierung auf dem Digits-Datensatz

Coming Soon

Feature Agglomeration für hochdimensionale Daten

Coming Soon

Agglomeratives Clustering auf dem Digits-Datensatz

Coming Soon

Vergleich von F-Test und gegenseitiger Information

Coming Soon

Vektorisierung mit KBinsDiscretizer

Coming Soon

Zerlegungen des Faces Datensatzes

Coming Soon

Gauß-Prozess-Klassifikation auf dem Iris-Datensatz

Coming Soon

Gaussian Process Klassifikation

Coming Soon

Gaußsche Prozesse-Klassifikation auf XOR-Datensatz

Coming Soon

Nichtlineare Vorhersagemodelle mit Gaussian Process

Coming Soon

Gaussian-Prozess-Regressionsmodell anpassen

Coming Soon

Gaussian Process Regression: Kerne

Coming Soon

Early Stopping von Gradient Boosting

Coming Soon

Blind Source Separation

Coming Soon

Unabhängige Komponentenanalyse mit FastICA und PCA

Coming Soon

Iris-Blumenklassifikation mit Scikit-learn

Coming Soon

SVM-Klassifizierer auf dem Iris-Datensatz

Coming Soon

Einfache eindimensionale Kernel-Dichteschätzung

Coming Soon

Aktives Lernen mit Labelpropagation

Coming Soon

Lasso und Elastic Net

Coming Soon

Diskriminanzanalyse Klassifizierungsalgorithmen

Coming Soon

Hierarchische Clusteranalyse mit Scikit-Learn

Coming Soon

Local Outlier Factor für die Neuheitserkennung

Coming Soon

Ausreißerdetektion mit LOF

Coming Soon

Logistisches Regressionsmodell

Coming Soon

Regularisierungspfad der L1-Logistischen Regression

Coming Soon

Vergleich von Kovarianzschätzern

Coming Soon

Robuste Kovarianzschätzung und Relevanz von Mahalanobis-Distanzen

Coming Soon

Mehrdimensionale Skalierung auf sphärischen Daten

Coming Soon

Gemeinsame Merkmalsauswahl mit Multi-Task Lasso

Coming Soon

Lineare Regression Beispiel

Coming Soon

OPTICS-Clustering-Algorithmus

Coming Soon

Hauptkomponentenanalyse

Coming Soon

Zufällige Klassifikationsdatensatzdarstellung

Coming Soon

Generierung eines Mehrfachklassifizierungsdatensatzes mit Scikit-Learn

Coming Soon

Robuste Kovarianzschätzung in Python

Coming Soon

Anwendung von Regularisierungstechniken mit SGD

Coming Soon

Sparse Coding mit vorgeberechnetem Wörterbuch

Coming Soon

Support Vector Regression

Coming Soon

Reduktion von Swiss Roll und Swiss-Hole

Coming Soon

Theil-Sen-Regression mit Python Scikit-Learn

Coming Soon

Bildrekonstruktion mittels Compressive Sensing

Coming Soon

Entscheidungsbaum-Regression

Coming Soon

Mehrfachausgaberegression mit Entscheidungsbaum

Coming Soon

Scikit-Learn Libsvm GUI

Coming Soon

Wikipedia PageRank mit Randomized SVD

Coming Soon

Nichtlineare Regression mit Isotoner Regression

Coming Soon

Neuronale Netzwerkmodelle

Coming Soon

Gaussian Mixture Modelle

Coming Soon

Mannigfaltigkeitslernmethode mit Scikit-Learn

Coming Soon

Biclustering in Scikit-Learn

Coming Soon

Das Zerlegen von Signalen in Komponenten

Coming Soon

Kovarianzmatrixschätzung mit Scikit-Learn

Coming Soon

Dichteschätzung mit Kernel-Dichte

Coming Soon

Maschinelles Lernen mit Kreuzvalidierung in Python

Coming Soon

Feature Extraction mit Scikit-Learn

Coming Soon

Imputation von fehlenden Werten

Coming Soon

Kernel-Approximationstechniken in Scikit-Learn

Coming Soon

Paarweise Maße und Kerne in Scikit-Learn

Coming Soon

Das Vorhersageziel transformieren

Coming Soon

Boosted Decision Tree Regression

Coming Soon

Affinitätsfortpflanzungsklustering

Coming Soon

Plot Agglomerative Clustering

Coming Soon

Agglomeratives Clustering mit Metriken

Coming Soon

Hierarchisches Clustering Dendrogramm

Coming Soon

Daten skalieren und transformieren

Coming Soon

Bias-Varianz-Zerlegung mit Bagging

Coming Soon

Vergleich von BIRCH und MiniBatchKMeans

Coming Soon

Vergleich der Leistung von Bisecting K-Means und regulärem K-Means

Coming Soon

Vergleich von Clustering-Algorithmen

Coming Soon

Bildsegmentierung mit hierarchischem Clustering

Coming Soon

Scikit-Learn Konfusionsmatrix

Coming Soon

Shrinkage Kovarianzschätzung

Coming Soon

Kreuzvalidierung mit linearen Modellen

Coming Soon

Gesichtsausschnitte des Wörterbuchs visualisieren

Coming Soon

Erkennen von handschriftlichen Ziffern

Coming Soon

Demonstration von KBinsDiscretizer-Strategien

Coming Soon

Gram-Matrix für ElasticNet vorberechnen

Coming Soon

Schätzung der OOB-Fehlerrate für Random Forest

Coming Soon

Pixelwichtigkeiten mit parallelem Wald von Bäumen

Coming Soon

Gaussian Mixture Model Kovarianzen

Coming Soon

Auswahl von Gaußschen Mischmodellen

Coming Soon

Wahrscheinlichkeitsprognosen mit Gaussian Process Classification

Coming Soon

GPR Co2 plotten

Coming Soon

Gaußsche Prozesse auf diskreten Datenstrukturen

Coming Soon

Gradient Boosting Regularisierung

Coming Soon

Vergleich von FeatureHasher und DictVectorizer

Coming Soon

Demo des HDBSCAN-Clustering-Algorithmus

Coming Soon

Vergleiche Huber und Ridge

Coming Soon

Inkrementelle Hauptkomponentenanalyse auf dem Iris-Datensatz

Coming Soon

Logistisches Regressionsmodell für den Iris-Datensatz

Coming Soon

Explizite Approximation der Feature Map für RBF-Kerne

Coming Soon

Empirische Auswertung der K-Means-Initialisierung

Coming Soon

Label Propagation Lernen

Coming Soon

Scikit-Learn Lasso Regression

Coming Soon

Schritt-für-Schritt Logistische Regression

Coming Soon

Daten auf eine Normalverteilung abbilden

Coming Soon

Hochdimensionale Daten mit MDS visualisieren

Coming Soon

Mean-Shift-Clustering-Algorithmus

Coming Soon

Gradient Boosting Monotonic Constraints

Coming Soon

Neighborhood Components Analysis

Coming Soon

Klassifizierung mit nächstem Zentrum

Coming Soon

Dünnes Signalrückgewinnung mit Orthogonaler Suchverfolgung

Coming Soon

Vergleiche PCA und LDA

Coming Soon

Spektrales Clustering für die Bildsegmentierung

Coming Soon

Halbüberwachte Klassifizierer auf dem Iris-Datensatz

Coming Soon

SVM: Maximale Margin trennende Hyperebene

Coming Soon

SVM für unausgewogene Klassen

Coming Soon

Scikit-Learn Mehrklassen-SGD-Klassifizierer

Coming Soon

Zeichnen der Hyperebene mit SGD

Coming Soon

Sparse Inverse Kovarianzschätzung

Coming Soon

Artenverteilungsmodellierung

Coming Soon

Kern-Dichteschätzung von Artenverbreitungen

Coming Soon

SVM Tie Breaking

Coming Soon

Scikit-Learn Elastic-Net-Regressionsmodell

Coming Soon

Halbüberwachte Lernalgorithmen

Coming Soon

Unüberwachtes Clustering mit k-Means

Coming Soon

Vorverarbeitungstechniken in Scikit-Learn

Coming Soon

Farbquantisierung mit K-Means

Coming Soon

Vergleich von GPR und KRR in einem Plot

Coming Soon

Nachträgliches Pruning von Entscheidungsbäumen

Coming Soon

Ziffernklassifizierung mit Scikit-Learn

Coming Soon

Digit Dataset Analysis

Coming Soon

Kontinuierliche Merkmale mit KBinsDiscretizer diskretisieren

Coming Soon

Vergleich von Random Forest und Histogram Gradient Boosting

Coming Soon

Plotten von Wald Iris

Coming Soon

Initialisierungsmethoden für Gaussian Mixture Modelle

Coming Soon

Plot Grid Search Digits

Coming Soon

Entscheidungsbäume auf dem Iris-Datensatz

Coming Soon

Anomalieerkennung mit Isolation Forest

Coming Soon

Nichtparametrische isotonische Regression mit Scikit-Learn

Coming Soon

Das Johnson-Lindenstrauss-Lemma mit zufälligen Projekten erkunden

Coming Soon

Hauptkomponentenanalyse mit Kernel PCA

Coming Soon

Kernel Ridge Regression plotten

Coming Soon

Das Entdecken von Annahmen beim K-Means-Clustering

Coming Soon

Clusteranalyse mit Silhouettenmethode

Coming Soon

Sparse Signal Regression mit L1-basierten Modellen

Coming Soon

Lineare Diskriminanzanalyse zur Klassifizierung

Coming Soon

Multinomiale und One-vs-Rest logistische Regression darstellen

Coming Soon

Vergleich von K-Means und MiniBatchKMeans

Coming Soon

Scikit-Learn MLPClassifier: Stochastische Lernstrategien

Coming Soon

Geschachtelte Kreuzvalidierung für die Modellauswahl (Nested Cross-Validation for Model Selection)

Coming Soon

Nichtnegative kleinste Quadrate Regression

Coming Soon

Ausreißer in Weindaten erkennen

Coming Soon

Pca vs Fa Modellauswahl plotten

Coming Soon

Permutations-Test-Score für die Klassifikation

Coming Soon

Quantil-Regression mit Scikit-Learn

Coming Soon

Plot Random Forest Regression Multioutput

Coming Soon

Hyperparameteroptimierung: Zufällige Suche vs Gitterverfahren

Coming Soon

Rekursive Feature-Eliminierung

Coming Soon

Ridge Regression für lineare Modelle

Coming Soon

ROC mit Kreuzvalidierung

Coming Soon

Modellbasiertes und sequentielles Feature-Selection

Coming Soon

Vergleich von Online-Löser für die Klassifizierung handschriftlicher Ziffern

Coming Soon

Spectral Biclustering-Algorithmus

Coming Soon

Spektrales Co-Clustering-Algorithmus

Coming Soon

Vergleich zwischen Grid Search und Successive Halving

Coming Soon

Skaliert den Regularisierungsparameter für SVMs

Coming Soon

Diagramm zur Themenextraktion mit NMF und LDA

Coming Soon

Entscheidungsbaumanalyse

Coming Soon

Zeichnen von Validierungskurven

Coming Soon

Entdecken der Iris-Datensatzstruktur durch Faktorenanalyse

Coming Soon

Klasswahrscheinlichkeiten mit VotingClassifier

Coming Soon

Diabetes-Vorhersage mit Voting Regressor

Coming Soon

Hierarchisches Clustering mit Verbindungsbedingungen

Coming Soon

Das Optimieren von Hyperparametern eines Schätzers

Coming Soon

Validierungskurven: Plotten von Scores zur Modellbewertung

Coming Soon

Partialabhängigkeit und individuelle bedingte Erwartung

Coming Soon

Permutationsmerkmalwichtigkeit

Coming Soon

Diskreter vs. reeller AdaBoost

Coming Soon

Mehrklassen AdaBoost-Baummodelle

Coming Soon

AdaBoost Entscheidungsbaumstumpf-Klassifizierung

Coming Soon

Vergleich von linearen bayes'schen Regressoren

Coming Soon

Dokumentbiclustering mit dem Spektralen Co-Clustering-Algorithmus

Coming Soon

Das Caching von Nachbarn

Coming Soon

Wahrscheinlichkeitskalibrierung für die 3-Klassen-Klassifikation

Coming Soon

Das Plotten von Klassifikationswahrscheinlichkeiten

Coming Soon

Vorhersagen mit Kreuzvalidierung plotten

Coming Soon

DBSCAN-Clustering-Algorithmus

Coming Soon

Bildentrauschung mit Kernel PCA

Coming Soon

Kernel-Dichteschätzung

Coming Soon

Merkmalswichtigkeit mit Zufälligem Wald

Coming Soon

Gradient Boosting Out-of-Bag-Schätzungen

Coming Soon

Lasso-Modellauswahl

Coming Soon

Modelauswahl für die Lasso-Regression

Coming Soon

Das Plotten von Lernkurven

Coming Soon

Handschriftliche Ziffern mit MLP Classifier klassifizieren

Coming Soon

Optimieren von Modelyyperparametern mit GridSearchCV

Coming Soon

Textklassifizierung mit out-of-core Learning

Coming Soon

Hashing Feature Transformation

Coming Soon

Rekursive Feature-Eliminierung mit Kreuzvalidierung

Coming Soon

Robuste lineare Schätzung

Coming Soon

Frühes Stoppen des Stochastic Gradient Descent

Coming Soon

Sgdocsvm vs Ocsvm plotten

Coming Soon

Multiclass Sparse Logistic Regression

Coming Soon

Sukzessive Halbierung von Iterationen

Coming Soon

Kategorische Datentransformation mit TargetEncoder

Coming Soon

Unteranpassung (Underfitting) und Überanpassung (Overfitting)

Coming Soon

Erkundung von Ensemble-Methoden mit Scikit-Learn

Coming Soon

Feature-Selektion mit Scikit-Learn

Coming Soon

Evaluierung der Qualität von Machine Learning-Modellen

Coming Soon

Plot Digits Pipe

Coming Soon

Scikit-Learn Schätzer und Pipelines

Coming Soon

Feature Transformations mit Ensembles von Bäumen

Coming Soon

Modellkomplexität und durch Kreuzvalidierung ermittelter Score im Gleichgewicht bringen

Coming Soon

Textdaten-Merkmalsextraktion und -Auswertung

Coming Soon

K-Means-Clustering für handschriftliche Ziffern

Coming Soon

Regularisierung von Multilayer-Perzeptronen

Coming Soon

Mehrfaches Dokumentenklassifizierung

Coming Soon

Nca-Klassifikation plotten

Coming Soon

Ausreißererkennung mit Scikit-Learn-Algorithmen

Coming Soon

Multiklass-ROC-Bewertung mit Scikit-Learn

Coming Soon

Scikit-Learn Visualisierungs-API

Coming Soon

Polynomielle Kernapproximation mit Scikit-Learn

Coming Soon

Effekt variierender Schwellwerte beim Selbsttraining

Coming Soon

MNIST Multinomiale Logistische Regression

Coming Soon

Iris-Blumen-Klassifizierung mit Voting Classifier

Coming Soon

Approximative nächste Nachbarn in TSNE

Coming Soon

Visualisierungen mit Anzeigeobjekten erstellen

Coming Soon

Gesichtserkennung mit Eigenfaces und SVMs

Coming Soon

Univariate Feature Selection

Coming Soon

Das Aufbauen von maschinellen Lernpipelines mit Scikit-Learn

Coming Soon

Das Verbinden mehrerer Feature-Extraktionsmethoden

Coming Soon

Gradient Boosting mit kategorischen Merkmalen

Coming Soon

Klassen-Likelihood-Ratios zur Messung der Klassifikationsleistung

Coming Soon

Fehlende Daten einschätzen

Coming Soon

PCR vs PLS plotten

Coming Soon

Feature Selection für SVC auf Iris-Datensatz

Coming Soon

Transformation des Ziels für lineare Regression

Coming Soon

Multiclass- und Multioutput-Algorithmen

Coming Soon

Vergleich von Anomalieerkennungsalgorithmen

Coming Soon

Wahrscheinlichkeitskalibrierungskurven

Coming Soon

Vergleich der Kalibrierung von Klassifizierern

Coming Soon

Dimensionalitätsreduzierung mit Pipeline und GridSearchCV

Coming Soon

Detection Error Tradeoff Kurve

Coming Soon

Präzision-Rekall-Metrik für die unausgewogene Klassifizierung

Coming Soon

Column Transformer mit gemischten Datentypen

Coming Soon

Zifferklassifizierung mit RBM-Features

Coming Soon

Halbüberwachte Textklassifizierung

Coming Soon

Verwendung der Set_output-API

Coming Soon

Feature-Diskretisierung für die Klassifikation

Coming Soon

Textklassifizierung

Coming Soon

Scikit-Learn Iterative Imputer

Coming Soon

Manifold Learning auf handschriftliche Ziffern

Coming Soon

Scikit-Learn Pipelines erstellen

Coming Soon

Feature Skalierung in der Machine Learning

Coming Soon

Pipelines und zusammengesetzte Schätzer

Coming Soon

Vergleich von Klassifizierern in Scikit-Learn

Coming Soon

Einführung

Dieser HTML-Praxis-Labs-Kurs ist darauf ausgelegt, Ihnen zu helfen, Ihre HTML-Fähigkeiten durch eine Reihe von praktischen Übungen und Projekten zu verbessern. Egal, ob Sie ein Anfänger oder ein erfahrener Webentwickler sind, dieser Kurs bietet einen praktischen Ansatz, um die Grundlagen von HTML zu meistern.

🎯 Aufgaben

In diesem Kurs werden Sie lernen:

  • Wie Sie Webseiten mit HTML-Elementen strukturieren
  • Wie Sie semantisches und zugängliches HTML-Markup erstellen
  • Wie Sie Text formatieren, Bilder hinzufügen und Navigationsmenüs erstellen
  • Wie Sie Links, Listen und Tabellen in Ihre Webseiten integrieren
  • Wie Sie bewährte Praktiken für das Schreiben von sauberem und effizientem HTML-Code anwenden

🏆 Errungenschaften

Nach Abschluss dieses Kurses können Sie:

  • Selbstbewusst HTML-basierte Webseiten erstellen und strukturieren
  • Ein starkes Verständnis von HTML-Syntax und -Semantik demonstrieren
  • Verschiedene HTML-Funktionen und -Elemente implementieren, um die Struktur und das Aussehen von Webseiten zu verbessern
  • Die Fähigkeit entwickeln, sauberen, gut organisierten und wartbaren HTML-Code zu schreiben
  • Praktische Erfahrung in HTML durch die Absolvierung von praktischen Praxis-Labs sammeln

Lehrer

labby
Labby
Labby is the LabEx teacher.

Für Sie empfohlen

no data