Machine Learning-Ready (1/7)

 Buy Now
  

Price: 19.99$

Der Kurs How Machines learn ist das erste von insgesamt sieben Modulen der Kursreihe MACHINELEARNING-READY. In Modul 1 ordne ich fr Dich den Begriff des maschinellen Lernens in den Kontext der Knstlichen Intelligenz ein. Ich gebe Dir einen berblick ber die verschiedenen Machine Learning-Tasks u. -Algorithmen im Bereich des Supervised Learning. Ich zeige Dir, was Machine Learning-Algorithmen eigentlich genau lernen und wie sie es lernen. Auerdem stelle ich Dir den grten Feind eines jeden Data Scientists vor das Overfitting. Alle Konzepte besprechen wir nicht nur in der Theorie, sondern machen sie im Rahmen von Code Demonstrations direkt anfassbar. In Modul 2 dreht sich alles um den Algorithmus. Ich stelle Dir eine Reihe bekannter, leistungsstarker und in der Data Science-Praxis hufig eingesetzter Machine Learning-Algorithmen vor. Von der Support Vector Machineber den Random Forestbis hin zum k-Means Clustering ist alles vertreten, was im Machine Learning Rang und Namen hat. Mithilfe der Code-Beispiele bekommst Du bereits in diesem Modul einen sehr guten Eindruck davon, wie man eine Machine Learning-Anwendung in Python entwickelt. In Modul 3 geht es dann fr Dich zum ersten Mal an die Konsole. Du lernst alle wichtigen Basiskenntnisse der Programmiersprache Python und wendest sie im Rahmen verschiedener Code Challenges selbst an. Ob Datentypen, Operatoren, Schleifen oder Funktionen Jetzt bist Du ein echter Programmierer. In Modul 4 geht es um das Thema Datenbeschaffung. Ich zeige Dir, wie Du mithilfe der Python-Library Pandas Daten aus einem File Storage oder einer SQL-Datenbank einlesen kannst. Auerdem stelle ich Dir die Python-Library Beautifulsoup vor, mit der Du Daten aus dem Web crawlen kannst. In Modul 5 widmen wir uns der Explorativen Datenanalyse. Ich gebe Dir einen berblick ber die wichtigsten Methoden der deskriptiven und der induktiven Statistik. Ich zeige Dir, wie man mithilfe der Python-Library Matplotlib Daten gezielt visualisiert, um Verteilungen zu analysieren, Ausreier und fehlende Werte zu erkennen und statistische Zusammenhnge aufzudecken. In Modul 6 schauen wir uns an, wie man mit den Erkenntnissen aus der explorativen Datenanalyse die Daten gezielt fr das Modeling vorbereitet. Ich zeige Dir, wie man im Rahmen des Data Cleaning die richtigen Datentypen fr alle Spalten definiert, fehlende Werte und Ausreier sinnvoll ersetzt und Duplikate aus den Trainingsdaten entfernt. Auerdem stelle ich Dir alle wichtigen Methoden des Feature Engineering vor vom Feature Scalingber die Feature Selectiondas Erstellen polynomischer Features Discretizationund Encodingbis hin zur berprfung auf Multikollinearitt lernst Du alle Techniken kennen, mit denen Du Deine Daten effektiv transformierst. In Modul 7 geht es dann schlielich um das Data Modeling. Ich zeige Dir, wie man die in Modul 2 vorgestellten Machine Learning-Algorithmen mithilfe der Python-Library scikit-learn in der Praxis anwendet. Ich stelle Dir die wichtigsten Performance-Metrics fr Regression und Classification Tasks vor und demonstriere, wie man mit Cross-Validation und Grid Search ein effektives Hyperparameter Tuning macht, um das erfolgversprechendste Modell fr die Anwendung auf Produktions-Daten auszuwhlen.