Datenwissenschaft mit maschinellem Lernen: Konzepte des maschinellen Lernens
Dieser Kurs vermittelt ein tiefgreifendes Verständnis der Konzepte des maschinellen Lernens (ML) und stattet die Lernenden mit den Fähigkeiten aus, ML-Modelle zu erstellen, zu trainieren und zu bewerten. Die Teilnehmer werden sich mit Python-Programmierung, ML-Algorithmen und KI-gesteuerten prädiktiven Analysen anhand praktischer Anwendungen befassen.
Kursmodule:

Einführung in Python für maschinelles Lernen
  • Erlernen Sie die Python-Syntax, Datenstrukturen und Funktionen für ML-Anwendungen.
  • Erkunden Sie die Rolle von Python in der Datenwissenschaft und im maschinellen Lernen.
  • Arbeiten Sie mit wichtigen Python-Bibliotheken für die Entwicklung von ML-Modellen.
Einrichten von Entwicklungsumgebungen
  • Installieren und konfigurieren Sie Jupyter Notebooks und Anaconda für eine nahtlose Codierung.
  • Verwenden Sie Git- und Unix-Befehle für die Versionskontrolle und Zusammenarbeit.
  • Richten Sie Python-IDEs wie PyCharm und VS Code für effiziente ML-Workflows ein.
Grundlagen des maschinellen Lernens
  • Verstehen Sie den Unterschied zwischen überwachtem und unüberwachtem Lernen.
  • Lernen Sie Klassifizierungs-, Regressions- und Clustering-Techniken kennen.
  • Erkunden Sie Modellbewertungsmetriken wie Genauigkeit, Präzision und Rückruf.
Überwachte Lerntechniken
  • Implementieren Sie lineare Regression und logistische Regression für die Vorhersagemodellierung.
  • Erkunden Sie Entscheidungsbäume, Zufallswälder und Support-Vektor-Maschinen (SVMs).
  • Lernen Sie, wie man überwachte Lernmodelle trainiert und testet.
Unüberwachte Lerntechniken
  • Verstehen Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
  • Lernen Sie die Dimensionsreduktion mithilfe der PCA (Hauptkomponentenanalyse) kennen.
  • Erkunden Sie reale Anwendungen des unüberwachten Lernens.
Tiefes Lernen und neuronale Netze
  • Lernen Sie die Grundlagen künstlicher neuronaler Netze (ANNs) kennen.
  • Verstehen Sie, wie sich Aktivierungsfunktionen, Schichten und Gewichte auf die Modellleistung auswirken.
  • Sammeln Sie praktische Erfahrungen mit TensorFlow und Keras für tiefes Lernen.
Modellbewertung und -optimierung
  • Erkunden Sie die Hyperparameter-Abstimmung, um die Modellleistung zu optimieren.
  • Verwenden Sie Techniken wie Kreuzvalidierung und Rastersuche.
  • Verstehen Sie den Kompromiss zwischen Verzerrung und Varianz und Strategien zur Vermeidung von Überanpassung.
Praktische Entwicklung von Modellen für maschinelles Lernen
  • Erstellen und trainieren Sie ML-Modelle mit Python und Scikit-learn.
  • Arbeiten Sie mit realen Datensätzen für Klassifizierungs- und Regressionsaufgaben.
  • Wenden Sie Techniken des maschinellen Lernens auf geschäftliche und KI-gesteuerte Lösungen an.

Der Kurs behandelt auch die praktische Anwendung von Data Science in geschäftlichen und KI-gesteuerten Lösungen mit maschinellem Lernen.