Verbessern Sie die Genauigkeit und Zuverlässigkeit Ihrer Machine-Learning-Modelle, indem Sie Ensemble-Techniken beherrschen. In diesem Kurs für Fortgeschrittene erfahren Sie, warum die Kombination mehrerer Modelle einen einzelnen Algorithmus an Leistung übertreffen kann und wie Sie den richtigen Ensemble-Ansatz für verschiedene Aufgaben entwerfen, auswählen und anwenden. Sie werden drei zentrale Ensemble-Methoden – Bagging, Boosting und Random Forests – unter Verwendung von Java in einer Jupyter Notebook-Umgebung durcharbeiten. Ausgehend von den Grundlagen der Entscheidungsbäume werden Sie von der Theorie zur Praxis übergehen und dabei Bootstrap-Sampling, Hard/Soft-Voting sowie die Bias-Varianz-Abwägungen untersuchen, die die Leistung von Ensembles beeinflussen. Jede Lektion kombiniert themenspezifische Videos, szenariobasierte Diskussionen, von KI bewertete Übungen und ein Abschlussprojekt, das Sie dabei anleitet, Ensembles anhand realer Datensätze zu erstellen und zu bewerten.

Dieser Kurs richtet sich an angehende Datenwissenschaftler, ML-Ingenieure und Java-Entwickler, die ihre Fähigkeiten im Bereich der prädiktiven Modellierung mithilfe von branchenüblichen Ensemble-Techniken verbessern möchten, wie sie bei Unternehmen wie Netflix und Airbnb sowie in Kaggle-Wettbewerben zum Einsatz kommen. Die Teilnehmer sollten über grundlegende Kenntnisse in der Java-Programmierung verfügen, mit den Grundlagen des maschinellen Lernens (überwachtes Lernen, Train-Test-Aufteilung, Bewertungsmetriken) vertraut sein und sicher mit Jupyter Notebook umgehen können. Am Ende des Kurses werden Sie in der Lage sein, Ensemble-Methoden zu implementieren, zu optimieren und kritisch zu bewerten, welche für ein bestimmtes Problem am besten geeignet ist. So erwerben Sie praktische, berufsrelevante Fähigkeiten zur Verbesserung der Vorhersagegenauigkeit.