Modelle des maschinellen Lernens erzielen ohne sorgfältige Konzeption, Bewertung und Optimierung nur selten gute Ergebnisse. In diesem Kurs lernen Sie, wie Sie Modelle des maschinellen Lernens erstellen und deren Leistung mithilfe bewährter technischer Verfahren systematisch verbessern können.

Zunächst lernen Sie, wie Sie geschäftliche Probleme den entsprechenden Machine-Learning-Aufgaben zuordnen und verschiedene Modelltypen mithilfe gängiger ML-Bibliotheken trainieren. Sie untersuchen, wie sich verschiedene Algorithmen unter unterschiedlichen Datenbedingungen verhalten, und lernen, wie Sie die Modellauswahl anhand von Kompromissen zwischen Leistung und Bias-Varianz begründen können. Anschließend optimieren Sie Modelle durch systematische Hyperparameter-Anpassung und bewerten den Rechenaufwand verschiedener Algorithmen, um effiziente Lösungen auszuwählen. Außerdem lernen Sie Validierungstechniken wie Kreuzvalidierung und geschichtete Stichproben, um die Modellleistung zuverlässig einzuschätzen. Zum Abschluss des Kurses wird gezeigt, wie sich Machine-Learning-Workflows automatisieren lassen. Sie erstellen End-to-End-Pipelines, die das Feature-Engineering, das Modelltraining und die Optimierung rationalisieren, sodass Experimente effizient reproduziert und verbessert werden können. Am Ende dieses Kurses werden Sie verstehen, wie Sie Machine-Learning-Modelle entwerfen, optimieren und validieren, die für die Integration in größere ML-Systeme bereit sind.