In diesem Kurs lernen Sie, wie Sie scikit-learn nutzen können, um prädiktive Modelle aus Daten zu erstellen. Sie werden die Grundkonzepte des maschinellen Lernens erkunden und sehen, wie man scikit-learn verwendet, um Probleme des überwachten und unüberwachten Lernens zu lösen. Sie werden auch lernen, wie man Modelle auswertet, Parameter optimiert und häufige Fallstricke vermeidet. Sie werden Beispiele von maschinellen Lernproblemen anhand von echten Datensätzen bearbeiten.
🎯 Aufgaben
In diesem Kurs lernen Sie:
- Wie man lineare Modelle, lineare und quadratische Diskriminanzanalyse sowie statistische Lerntechniken verwendet, um maschinelle Lernprobleme zu lösen
- Wie man Kernel-Ridge-Regression, Support-Vektor-Maschinen (SVM) und stochastischen Gradientenabstieg für Aufgaben des überwachten Lernens anwendet
- Wie man unüberwachtes Lernen durchführt, einschließlich der Suche nach Darstellungen der Daten
- Wie man mit Textdaten arbeitet und Gaußsche Prozesse und Kreuzdekompositionstechniken verwendet
- Wie man Naive-Bayes-Klassifikatoren und Entscheidungsbäume für Klassifizierungsaufgaben einsetzt
🏆 Errungenschaften
Nach Abschluss dieses Kurses können Sie:
- Eine Vielzahl von maschinellen Lernalgorithmen mit scikit-learn implementieren
- Die Leistung Ihrer Modelle auswerten und optimieren
- Geeignete maschinelle Lerntechniken anwenden, um reale Probleme zu lösen
- Die Stärken und Schwächen verschiedener Ansätze des maschinellen Lernens verstehen
