Vertiefe deine Problemlösungsfähigkeiten mit scikit-learn in sieben mittelstufigen Code-Completion-Challenges. Jede Challenge stellt Startdateien und konkrete TODO-Anforderungen bereit; du implementierst Funktionen für Training, Bewertung, Tuning, Interpretation oder Visualisierung.
Die 20 Aufgabenabschnitte umfassen überwachtes und unüberwachtes Lernen: Metriken, Naive Bayes, KNN, Validierungskurven, Entscheidungsbäume, lineare und regularisierte Regression sowie drei Clustering-Verfahren. Jede Aufgabe hat eine automatische Prüfung und Referenzlösung.
Was du lernen wirst
- Klassifikation mit Accuracy, Precision, Recall und F1 und Regression mit MSE, MAE, RMSE und R² bewerten
- Einen eigenen Scorer erstellen und eine skalierte SVR-Pipeline mit Grid Search einsetzen
- Gaussian Naive Bayes auf Iris trainieren, Merkmale skalieren, Gaussian-, Multinomial- und Bernoulli-Varianten vergleichen und eine Konfusionsmatrix ausgeben
- Iris aufteilen, KNN trainieren, Vorhersagen bewerten und einen besseren Wert für
ksuchen - Validierungskurven für
max_deptherzeugen, eine Tiefe aus Kreuzvalidierung wählen, neu trainieren und den Baum testen - Iris in pandas vorbereiten,
DecisionTreeClassifieranpassen und Precision, Recall und F1 zusammenfassen - Lineare Regression auf bereitgestellte CSVs anwenden, Metriken berechnen und Ridge und Lasso per Kreuzvalidierung vergleichen
- K-means, agglomeratives Clustering und DBSCAN auf Iris anwenden, Silhouettenwerte vergleichen und Cluster visualisieren
Für wen dieser Kurs geeignet ist
Dieser Kurs richtet sich an Python- und scikit-learn-Lernende, die einführende Modellübungen abgeschlossen haben und selbstständiger implementieren möchten. Du solltest Startcode lesen, Funktionen ergänzen, Anforderungen interpretieren und fehlgeschlagene Prüfungen debuggen können.
Voraussetzungen: Kenntnisse in Python, NumPy- oder pandas-Strukturen, Trainings-/Testaufteilung, fit und predict sowie grundlegender Klassifikation und Regression werden empfohlen. Python-Syntax wird nicht von Grund auf gelehrt.
Lernumgebung: Alle sieben Challenges laufen in einer Ubuntu-22.04-WebIDE. Sie enthalten 20 mittelstufige Aufgaben mit je einer automatischen Prüfung und Referenzlösung. Sechs Umgebungen fixieren scikit-learn 1.2.2; die Metrik-Challenge verwendet 1.1.3 und NumPy unter 2 für die historischen Boston-Housing-Aufgaben.
Häufig gestellte Fragen
Eignen sich die Challenges als erste Einführung in scikit-learn?
Nicht ideal. Trotz der Kurseinstufung als Einsteiger sind alle sieben Challenges einzeln mittelstufig und beginnen mit TODO-orientiertem Startcode. Nutze zuerst geführte Grundlagen, wenn fit, predict, Metriken und Datenaufteilungen neu sind.
Wie viel Anleitung und Feedback gibt es?
Jede Aufgabe beschreibt erforderliche Funktionen oder Ausgaben und stellt Startdateien bereit, doch du implementierst die fehlende Logik. Jeder der 20 Aufgabenabschnitte besitzt eine automatische Prüfung und Referenzlösung.
Welche Datensätze werden verwendet?
Mehrere Challenges verwenden Iris. Die Metrikaufgaben nutzen außerdem Breast Cancer und den älteren Boston-Housing-Datensatz; die lineare Regression liefert eigene CSV-Dateien. Der Fokus liegt auf Algorithmen, nicht auf großen Produktionsdatensätzen.
Läuft der Code unverändert mit der neuesten Version?
Nicht vollständig. Die Metrik-Challenge installiert bewusst scikit-learn 1.1.3, weil sie den später entfernten Boston-Housing-Loader importiert; die übrigen fixieren 1.2.2. Behandle die Aufgabe als versionsspezifisch und nutze beim Übertragen einen aktuell unterstützten Datensatz.
