Lerne in sieben Jupyter-Notebooks, wie überwachte Regression beschriftete Daten in numerische Vorhersagen umsetzt. Von der Bedeutung überwachten Lernens gehst du zu kleinsten Quadraten, polynomialen Merkmalen, fehlerbasiertem Vergleich sowie Ridge- und LASSO-Regularisierung über.
Der Kurs verbindet Herleitungen mit Python und scikit-learn. Beispiele zu Wohnungen, Impfstoffen, Bitcoin und synthetischen Matrizen vermitteln Kurvenanpassung, Bewertung, schädliche Modellkomplexität und den Einfluss der Regularisierung auf Koeffizienten.
Was du lernen wirst
- Überwachtes Lernen, Regression und Klassifikation unterscheiden
- Kleinste Quadrate herleiten und lineare Regression mit NumPy umsetzen
- Lineare Modelle an Wohnungsdaten aus Boston und Peking anpassen
- Wohnungsvorhersagen bewerten und Koeffizienten prüfen
- Polynommerkmale erzeugen, Fits vergleichen und den Grad per Fehler wählen
- Historische Bitcoin-Daten mit Polynomen dritten und höheren Grades anpassen
- Schlecht konditionierte kleinste Quadrate erklären und Ridge mit LASSO vergleichen
- Ridge-Koeffizienten direkt berechnen und mit scikit-learn vergleichen
Für wen dieser Kurs geeignet ist
Der Kurs richtet sich an Python-Lernende, die Regressionsmechanik verstehen und Schätzer nicht als Blackbox behandeln möchten. Er passt beim Einstieg ins überwachte Lernen, wenn Formeln, Matrizen, Plots und APIs verbunden werden sollen. Herleitungen und Codeaufgaben verlangen mehr als erste Python-Kenntnisse.
Voraussetzungen: Python, NumPy, Pandas, Plotting, Algebra und einfache Matrixoperationen werden empfohlen. Train/Test-Daten und Funktionen sind hilfreich; Regressionserfahrung ist nicht nötig.
Lernumgebung: Alle sieben Aktivitäten laufen in einer bereitgestellten Ubuntu-22.04-Jupyter-Umgebung mit Erklärungen, Visualisierungen, Daten, Beispielen und zu ergänzendem Code.
Häufig gestellte Fragen
Leitet der Kurs Formeln her oder nutzt er nur scikit-learn?
Beides. Du berechnest kleinste Quadrate und Ridge-Koeffizienten, setzt Schritte mit NumPy und SciPy um und vergleichst mit scikit-learn.
Welche Vorhersagebeispiele sind enthalten?
Wohnungsdaten aus Boston und Peking, Impfstoffdaten für Polynom-Fits, historisches Bitcoin und eine Hilbert-Matrix zur Instabilität kleinster Quadrate.
Wie werden Modelle bewertet?
Mit zurückgehaltenen Daten, visuellen Vergleichen, mittlerem absolutem und quadratischem Fehler. Verschiedene Polynomgrade zeigen den Komplexitätseinfluss.
Sagt das Bitcoin-Lab aktuelle Preise voraus oder gibt Finanzberatung?
Nein. Es passt Kurven an historische Daten von 2010–2018 als Regressionsübung an. Es ist weder Live-Prognose noch Anlagehilfe.
