- Entwickeln Sie tiefes Verständnis für die grundlegenden und fortgeschrittenen Techniken der Datenwissenschaft und -analyse
- Erlernen Sie Kompetenzen in Datenwissenschaft, maschinellem Lernen (ML), Deep Learning, Python, Modellierung und Datenvisualisierung
Einführung zu Datenwissenschaft und Python
- Bedeutung von Daten und Optimierungstechniken in der Datenwissenschaft zur Erstellung effizienter Modelle
- Einführung in Python-Bibliotheken wie Scikit-Learn und NumPy zur Implementierung von Optimierungs- und Regularierungstechniken
- Optimierung von maschinellen Lernmodellen zur Steigerung der Leistung und zur Reduzierung von Überanpassung
- Einrichtung von Python-Umgebungen für die Anwendung von Optimierungsstrategien bei realen Data Science Herausforderungen
Optimierungstechniken und maschinelles Lernen
- Grundlagen der Optimierung in maschinellem Lernen, einschließlich Verlust- und Kostenfunktionen
- Einführung in Optimierungsalgorithmen wie Gradientenabstieg und stochastischer Gradientenabstieg
- Anpassung der Modellparameter zur Fehlerreduktion und Verbesserung der Vorhersagegenauigkeit
- Nutzung von Python-Bibliotheken zur Implementierung von Optimierungstechniken und Modellbewertung
Regularisierung zur Überanpassungsreduktion
- Einführung in Regularisierungsmethoden wie Lasso und Ridge zur Bekämpfung von Überanpassung
- Implementierung der L1- und L2-Regularisierung in Python zur besseren Modellverallgemeinerung
- Verständnis des Kompromisses zwischen Verzerrung und Varianz beim Training
- Best Practices zur Anwendung von Regularisierungstechniken für robustere Modelle
Ensemble-Methoden für verbesserte Modellleistung
- Einführung in Ensemble Learning-Methoden wie Bagging, Boosting und Random Forests
- Grundlagen der Modellaggregation zur Verbesserung der Genauigkeit und Reduzierung der Varianz
- Implementierung von Ensemble-Techniken in Python zur Kombination mehrerer Modelle für bessere Ergebnisse
- Bewertung der Effektivität von Ensemble-Methoden in realen Data Science-Projekten