scikit-learn Tutorials
scikit-learn bietet einen systematischen Ansatz für maschinelles Lernen mit Python. Unsere Tutorials decken verschiedene ML-Algorithmen, Modellwahl und Bewertungstechniken ab, die sowohl für Anfänger als auch für fortgeschrittene Datenwissenschaftler geeignet sind. Mit kostenlosen Laboren und praktischen Codebeispielen erhalten Sie praktische Erfahrungen beim Erstellen von ML-Modellen. Unser Datenwissenschafts-Spielplatz ermöglicht es Ihnen, in Echtzeit mit scikit-learn-Funktionen und Datensätzen zu experimentieren.
Andere Kompetenzbäume
Scikit-learn Kreuzvalidierung
In diesem Lab lernen Sie, wie Sie Kreuzvalidierung mit scikit-learn durchführen, um die Leistung eines Machine-Learning-Modells robuster zu bewerten.
scikit-learn
Scikit-learn: Daten laden und erkunden
In diesem Lab lernen Sie die Grundlagen des Ladens und Erkundens von Datensätzen in scikit-learn anhand des klassischen Iris-Datensatzes. Sie üben den Zugriff auf Daten, Ziele und Feature-Namen und führen eine einfache Visualisierung durch.
scikit-learn
Scikit-learn Datenvorverarbeitung
In diesem Lab lernen Sie die grundlegenden Datenvorverarbeitungstechniken in scikit-learn kennen, einschließlich Feature-Skalierung mit StandardScaler und Zielvariablen-Kodierung mit LabelEncoder, anhand des klassischen Iris-Datensatzes.
scikit-learn
Scikit-learn Installation und Einrichtung
In diesem Lab lernen Sie, wie Sie Ihre Scikit-learn-Installation überprüfen, notwendige Module importieren und einen Beispieldatensatz laden, um mit maschinellem Lernen in Python zu beginnen.
scikit-learn
Scikit-learn KNN-Klassifizierung
In diesem Lab lernen Sie, wie Sie scikit-learn verwenden, um einen K-Nearest Neighbors (KNN)-Klassifikator zu erstellen, ihn auf dem Iris-Datensatz zu trainieren und Vorhersagen für neue Daten zu treffen.
scikit-learn
Scikit-learn Lineare Regression
In diesem Lab lernen Sie, wie Sie ein einfaches lineares Regressionsmodell mit scikit-learn erstellen, um kalifornische Hauspreise vorherzusagen.
scikit-learn
Scikit-learn Modellbewertung
In diesem Lab lernen Sie, wie Sie ein scikit-learn Klassifikationsmodell mit verschiedenen Metriken bewerten, darunter Genauigkeit (Accuracy), Konfusionsmatrix (Confusion Matrix), Präzision (Precision), Rückruf (Recall) und F1-Score.
scikit-learn
Klassifizierung von Iris mit SVM
In diesem Projekt wirst du lernen, wie du den Iris-Datensatz mit einem Support Vector Classifier (SVC)-Modell klassifizierst. Der Iris-Datensatz ist ein klassisches Machine-Learning-Datensatz, der Informationen über verschiedene Iris-Arten enthält, einschließlich ihrer Kelchblätchenlänge, Kelchblätchenbreite, Blütenblattlänge und Blütenblattbreite.
Pythonscikit-learn
Scikit-learn Interviewfragen und Antworten
Bereiten Sie sich mit diesem umfassenden Leitfaden auf Sklearn-Interviews vor, der Schlüsselkonzepte, Algorithmen, Modellbewertung und praktische Anwendungen abdeckt.
scikit-learn