Schnelleinstieg mit scikit-learn
In diesem Kurs lernen wir, wie man scikit-learn verwendet, um prädiktive Modelle aus Daten zu erstellen. Wir werden die grundlegenden Konzepte des maschinellen Lernens erkunden und sehen, wie man scikit-learn verwendet, um überwachte und unüberwachte Lernprobleme zu lösen. Wir werden auch lernen, wie man Modelle evaluiert, Parameter abstimmt und gängige Fallstricke vermeidet. Wir werden Beispiele für maschinelle Lernprobleme anhand realer Datensätze bearbeiten.
01
Lineare Modelle in Scikit-Learn
In diesem Labor werden wir lineare Modelle in scikit-learn untersuchen. Lineare Modelle sind eine Reihe von Methoden für Regressions- und Klassifizierungsaufgaben. Sie gehen davon aus, dass die Zielvariable eine lineare Kombination der Merkmale ist. Diese Modelle sind im maschinellen Lernen aufgrund ihrer Einfachheit und Interpretierbarkeit weit verbreitet.
02
Erklärung von Diskriminanzanalyse-Klassifizierern
Die lineare und quadratische Diskriminanzanalyse (LDA und QDA) sind zwei klassische Klassifizierer im maschinellen Lernen. LDA verwendet eine lineare Entscheidungsfläche, während QDA eine quadratische Entscheidungsfläche verwendet. Diese Klassifizierer sind beliebt, da sie geschlossene Lösungen haben, in der Praxis gut funktionieren und keine Hyperparameter zu optimieren haben.
03
Erkunden von Scikit-Learn-Datensätzen und -Schätzern
In diesem Labor werden wir die Einstellung und das Schätzerobjekt in scikit-learn, einer beliebten Machine-Learning-Bibliothek in Python, untersuchen. Wir werden Datensätze kennenlernen, die als 2D-Arrays dargestellt werden, und wie man sie für scikit-learn vorverarbeitet. Wir werden auch das Konzept von Schätzerobjekten untersuchen, die zum Lernen aus Daten und zur Erstellung von Vorhersagen verwendet werden.