Baue in zehn Jupyter-Notebooks eine breite Grundlage klassischer überwachter Klassifikation auf. Du untersuchst Entscheidungen wichtiger Algorithmen, implementierst Mechanismen in Python, trainierst scikit-learn-Modelle, visualisierst Ergebnisse und vergleichst Klassifikatoren per Kreuzvalidierung.
Der Kurs verbindet Mathematik und Code: Sigmoid und Log Loss, Distanzen und KNN-Abstimmung, Bayes-Wahrscheinlichkeit, SVM-Ränder und -Kerne, Informationsgewinn, Backpropagation und Modellkombination. Codeaufgaben vertiefen Gauß-Verteilungen, Ziffernerkennung und Modellauswahl.
Was du lernen wirst
- Logistische Regression mit Sigmoid, Log Loss, Gradientenabstieg und scikit-learn herleiten und umsetzen
- KNN aus Distanz und Abstimmung bauen sowie K-Wahl und kd-Bäume untersuchen
- Bayes-Theorem, Parameterschätzung, Multinomial Naive Bayes und Gauß-Verteilungen anwenden
- Lineare und nichtlineare SVMs sowie gebräuchliche Kernfunktionen vergleichen
- Perzeptron und Backpropagation umsetzen und Ziffern mit
MLPClassifierklassifizieren - Entscheidungsbäume mit Informationsgewinn, Pruning und scikit-learn konstruieren
- Bagging, Random Forest, AdaBoost und Gradient Boosting trainieren
- Abalone-Daten vorbereiten und sieben Klassifikatoren mit 10-facher Kreuzvalidierung vergleichen
Für wen dieser Kurs geeignet ist
Der Kurs richtet sich an Lernende mit Python-Kenntnissen, die viele klassische Methoden über den Aufruf eines einzelnen Schätzers hinaus verstehen möchten. Er passt zum Übergang von einführendem Machine Learning zu Modellvergleich und -auswahl. Trotz Anfänger-Einstufung sind Ableitungen und manuelle Komponenten ungeeignet für Programmier- oder Algebra-Neulinge.
Voraussetzungen: Python, NumPy, Pandas, Plotting und grundlegende Algebra werden empfohlen. Wahrscheinlichkeit, Ableitungen, Train/Test-Aufteilung sowie Merkmale und Labels sind hilfreich.
Lernumgebung: Alle zehn Aktivitäten laufen in einer bereitgestellten Ubuntu-22.04-Jupyter-Umgebung mit Erklärungen, Visualisierungen, scikit-learn-Beispielen, Daten und zu ergänzendem Code.
Häufig gestellte Fragen
Implementiert der Kurs Algorithmen selbst oder nutzt er scikit-learn?
Beides. Mehrere Notebooks programmieren logistischen Gradientenabstieg, KNN-Distanz und -Abstimmung, Perzeptron-Updates und Baumaufteilung und nutzen anschließend Schätzer für praktisches Training.
Welche Klassifikatoren werden behandelt?
Logistische Regression, KNN, Naive Bayes, lineare und Kernel-SVMs, Perzeptrons und MLPs, Bäume, Bagging, Random Forest, AdaBoost und Gradient Boosting.
Werden Modellbewertung und -auswahl vermittelt?
Ja. Labs berechnen Genauigkeit; das letzte Notebook bereitet Abalone auf und vergleicht sieben Familien per 10-facher Kreuzvalidierung mit Standardparametern.
Kann ich Beispiele in ein aktuelles scikit-learn-Projekt kopieren?
Die vorbereitete Umgebung unterstützt die Notebooks, einige Beispiele verwenden jedoch ältere Imports oder Konstruktoren. Prüfe bei neuer Installation die aktuelle API und passe veraltete Namen oder Argumente an.
