Kursbeschreibung
In diesem Kurs lernen Sie die Grundlagen des maschinellen Lernens kennen. Sie erhalten eine Einführung in das maschinelle Lernen und einige der damit verbundenen Konzepte und Themen. Sie werden die verschiedenen Arten und Kategorien des maschinellen Lernens verstehen. Dieser Kurs behandelt auch die Implementierung von Machine-Learning-Modellen in Python unter Verwendung des scikit-learn-Pakets. Es werden sowohl überwachte als auch unüberwachte Methoden des maschinellen Lernens behandelt und demonstriert. Alle Konzepte und Theorien werden anhand von Beispielen sowie durch die Diskussion praktischer Anwendungen, Herausforderungen und wichtiger Überlegungen miteinander verknüpft. Am Ende dieses Kurses werden Sie mehrere Arten von maschinellen Lernverfahren sowie deren Vorteile erkennen und wissen, wie sie in realen Szenarien eingesetzt werden können.
KURS-LERNZIELE
- Sie erfahren, was maschinelles Lernen ist und wie es eingesetzt wird
- Sie lernen die verschiedenen Arten von maschinellen Lernmodellen und Algorithmen kennen
- Sie lernen über überwachtes maschinelles Lernen
- Sie lernen über unüberwachtes maschinelles Lernen
- Sie verstehen die wichtigsten Dinge, die vor und während der Arbeit mit Projekten und Aufgaben des maschinellen Lernens zu beachten sind
SKILLS
- Modellauswahl (maschinelles Lernen)
- Implementierung des unüberwachten maschinellen Lernens
- Implementierung des überwachten maschinellen Lernens
- Python-Programmierung für maschinelles Lernen
- Vor- und Nachteile verschiedener Techniken des maschinellen Lernens
Was Sie lernen werden
- Definieren Sie, was maschinelles Lernen ist und wie es in realen Szenarien verwendet wird
- Unterscheiden Sie die verschiedenen Typen und Kategorien von Modellen und Algorithmen des maschinellen Lernens
- Wenden Sie Methoden des überwachten maschinellen Lernens an, einschließlich linearer und logistischer Regression, Support-Vector-Maschinen, Entscheidungsbäume und zufällige Wälder sowie neuronale Netzwerke
- Wenden Sie unüberwachte Methoden des maschinellen Lernens an, einschließlich Clustering, Gaußsche Mixture Models und Manifold Learning
- Implementieren Sie Modelle des maschinellen Lernens in Python mit dem scikit-learn-Paket in JupyterLab
- Evaluieren Sie Schlüsselüberlegungen, Herausforderungen und ethische Überlegungen vor und während Projekten des maschinellen Lernens
Wichtige Erkenntnisse
- Maschinelles Lernen wird von den Grundlagen eingeführt und behandelt verwandte Konzepte und Themen zusammen mit seinen Typen und Kategorien.
- Der Kurs deckt sowohl überwachte als auch unüberwachte Methoden des maschinellen Lernens ab und demonstriert jeweils mit Beispielen.
- Modelle werden in Python mit dem scikit-learn-Paket implementiert, mit der Arbeit in JupyterLab demonstriert.
- Konzepte werden durch praktische Anwendungen, Herausforderungen und wichtige Überlegungen zusammengebracht, einschließlich ethischer Überlegungen.
- Am Ende können Lernende mehrere Arten von Prozessen des maschinellen Lernens, deren Vorteile und deren Anwendung auf reale Szenarien erkennen.
Häufig gestellte Fragen
Was werden Sie in diesem Kurs zu maschinellem Lernen erfahren?
Sie erfahren die Grundlagen des maschinellen Lernens, einschließlich was es ist und wie es verwendet wird, die verschiedenen Typen von Modellen und Algorithmen des maschinellen Lernens, überwachtes maschinelles Lernen, unüberwachtes maschinelles Lernen und wichtige Dinge zu beachten vor und während Projekten und Aufgaben des maschinellen Lernens.
Deckt dieser Kurs sowohl überwachtes als auch unüberwachtes maschinelles Lernen ab?
Ja. Sowohl überwachte als auch unüberwachte Methoden des maschinellen Lernens werden behandelt und demonstriert, einschließlich Themen wie Klassifikation vs. Regression, lineare und logistische Regression, Support-Vector-Maschinen, Entscheidungsbäume und zufällige Wälder, neuronale Netzwerke, Clustering, Gaußsche Mixture Models und Manifold Learning.
Welche Tools oder Programmiersprache verwendet der Kurs?
Der Kurs behandelt, wie Modelle des maschinellen Lernens in Python implementiert werden, indem das scikit-learn-Paket genutzt wird, und enthält eine Einführung in JupyterLab.
Welche Themen über Algorithmen hinaus behandelt der Kurs?
Neben den Algorithmen erörtert der Kurs praktische Anwendungen, Herausforderungen, ethische Überlegungen, die Wichtigkeit von Daten, Modellauswahl und andere wichtige Überlegungen.
Was werde ich nach Abschluss dieses Kurses tun können?
Am Ende des Kurses werden Sie mehrere Arten von Prozessen des maschinellen Lernens sowie deren Vorteile und deren Anwendung auf reale Szenarien erkennen können.
