Einführung in Data Science mit Machine Learning
- Erlangen Sie ein umfassendes Verständnis der ML-Konzepte
- Schaffen Sie ML-Modelle, trainieren Sie diese und bewerten Sie ihre Leistung
- Entdecken Sie Python und seine Rolle in der Data Science und im AI-gestützten maschinellen Lernen
Python und Entwicklungsumgebungen
- Erlernen Sie Python-Datenstrukturen und Funktionen für Datenverarbeitung
- Nutzten Sie Bibliotheken für die Umsetzung von ML-Modellen
- Richten Sie Jupyter Notebooks und Anaconda für die Anwendung ein
Erste Schritte im maschinellen Lernen
- Vertiefen Sie sich in die Unterschiede zwischen überwachtem und unüberwachtem Lernen
- Meistern Sie Klassifikations-, Regressions- und Clustermethoden
- Kennen Sie die Modellbewertung unter Verwendung von Genauigkeitsmetriken
Überwachte ML-Techniken
- Setzen Sie lineare und logistische Regression um
- Erforschen Sie Entscheidungsbäume, Zufallswälder und SVMs
- Trainieren und testen Sie überwachte Algorithmen für Vorhersagen
Unüberwachtes Lernen verstehen
- Setzen Sie sich mit K-Means- und hierarchischem Clustering auseinander
- Erforschen Sie die Dimensionsreduktion unter Einsatz von PCA
- Erkennen Sie die Anwendungsmöglichkeiten im unüberwachten Lernen
Deep Learning und neuronale Netze
- Erforschen Sie künstliche neuronale Netzwerke und ihre Grundlagen
- Erkennen Sie die Bedeutung von Aktivierungsfunktionen in Modellen
- Nutzen Sie TensorFlow und Keras für tiefgehendes maschinelles Lernen
Modelloptimierung und Bewertung
- Bemühen Sie sich um effiziente Hyperparameter-Abstimmung
- Wenden Sie Kreuzvalidierung und Rastersuche für Optimierungen an
- Behalten Sie die Balance von Bias-Varianz im Blick, um Überanpassung zu vermeiden
Praktische Anwendung von ML-Modellen
- Erstellen Sie Modelle mit Python und Scikit-learn
- Arbeiten Sie mit realen Datensätzen für AI- und Data Science-Verfahren
- Integrieren Sie Datenwissenschaftstechniken für geschäftliche und AI-Gesteuerte Innovationen