Dieser Kurs führt Sie in eine der wichtigsten Arten von Modellierungsfamilien des überwachten maschinellen Lernens ein: Regression. Sie lernen, wie man Regressionsmodelle trainiert, um kontinuierliche Ergebnisse vorherzusagen, und wie man Fehlermetriken verwendet, um verschiedene Modelle miteinander zu vergleichen. Am Ende dieses Kurses sollten Sie in der Lage sein: Die Verwendungszwecke und Anwendungen von Klassifizierung und Regression im Kontext des überwachten maschinellen Lernens zu unterscheiden Lineare Regressionsmodelle zu beschreiben und zu verwenden Verschiedene Fehlermetriken zu vergleichen und ein lineares Regressionsmodell auszuwählen, das am besten zu Ihren Daten passt Erklären Sie, warum Regularisierung helfen kann, eine Überanpassung zu verhindern Verwenden Sie Regularisierungsregressionen: Ridge, LASSO und Elastic net Wer sollte diesen Kurs besuchen? Dieser Kurs richtet sich an angehende Datenwissenschaftler, die praktische Erfahrungen mit Regressionstechniken des überwachten maschinellen Lernens in einem geschäftlichen Umfeld sammeln möchten. Welche Kenntnisse sollten Sie mitbringen? Um diesen Kurs optimal nutzen zu können, sollten Sie mit der Programmierung in einer Python-Entwicklungsumgebung vertraut sein und über ein grundlegendes Verständnis von Datenbereinigung, explorativer Datenanalyse, Kalkül, linearer Algebra, Wahrscheinlichkeitsrechnung und Statistik verfügen.

Dieser Kurs führt Sie in eine der wichtigsten Arten von Modellierungsfamilien des überwachten maschinellen Lernens ein: Klassifizierung. Sie lernen, wie Sie prädiktive Modelle trainieren, um kategoriale Ergebnisse zu klassifizieren und wie Sie Fehlermetriken verwenden, um verschiedene Modelle zu vergleichen. Der praktische Teil dieses Kurses konzentriert sich auf die Anwendung von Best Practices für die Klassifizierung, einschließlich der Aufteilung in Training und Test und den Umgang mit Datensätzen mit unausgewogenen Klassen.

Am Ende dieses Kurses sollten Sie in der Lage sein: - Einsatz und Anwendungen von Klassifizierungs- und Klassifizierungs-Ensembles zu unterscheiden - logistische Regressionsmodelle zu beschreiben und zu verwenden - Entscheidungsbaum- und Baum-Ensemble-Modelle zu beschreiben und zu verwenden - andere Ensemble-Methoden für die Klassifizierung zu beschreiben und zu verwenden - eine Vielzahl von Fehlermetriken zu vergleichen und das Klassifizierungsmodell auszuwählen, das am besten zu Ihren Daten passt - Oversampling und Undersampling als Techniken zu verwenden, um unausgewogene Klassen in einem Datensatz zu behandeln Wer sollte diesen Kurs besuchen? Dieser Kurs richtet sich an angehende Datenwissenschaftler, die praktische Erfahrungen mit Klassifizierungstechniken des überwachten maschinellen Lernens in einem geschäftlichen Umfeld sammeln möchten. Welche Kenntnisse sollten Sie mitbringen? Um diesen Kurs optimal nutzen zu können, sollten Sie mit der Programmierung in einer Python-Entwicklungsumgebung vertraut sein und über ein grundlegendes Verständnis von Datenbereinigung, explorativer Datenanalyse, Kalkül, linearer Algebra, Wahrscheinlichkeitsrechnung und Statistik verfügen.

Dieser Kurs führt Sie in eine der wichtigsten Arten des maschinellen Lernens ein: Unüberwachtes Lernen. Sie lernen, wie Sie Erkenntnisse aus Datensätzen gewinnen können, für die es keine Zielvariable oder markierte Variable gibt. Sie lernen verschiedene Clustering- und Dimensionsreduktionsalgorithmen für unüberwachtes Lernen kennen und erfahren, wie Sie den Algorithmus auswählen, der am besten zu Ihren Daten passt. Der praktische Teil dieses Kurses konzentriert sich auf die Anwendung von Best Practices für unüberwachtes Lernen. Am Ende dieses Kurses sollten Sie in der Lage sein: die Arten von Problemen zu erklären, die sich für Ansätze des unüberwachten Lernens eignen den Fluch der Dimensionalität zu erklären und wie er das Clustering bei vielen Merkmalen erschwert gängige Algorithmen für Clustering und Dimensionsreduktion zu beschreiben und zu verwenden gegebenenfalls Clustering-Punkte auszuprobieren und die Leistung von Modellen pro Cluster zu vergleichen die für die Charakterisierung von Clustern relevanten Metriken zu verstehen Wer sollte diesen Kurs besuchen?

Dieser Kurs richtet sich an angehende Datenwissenschaftler, die praktische Erfahrungen mit Techniken des unüberwachten maschinellen Lernens in einem geschäftlichen Umfeld sammeln möchten. Welche Kenntnisse sollten Sie mitbringen? Um diesen Kurs optimal nutzen zu können, sollten Sie mit der Programmierung in einer Python-Entwicklungsumgebung vertraut sein und über ein grundlegendes Verständnis von Datenbereinigung, explorativer Datenanalyse, Kalkül, linearer Algebra, Wahrscheinlichkeitsrechnung und Statistik verfügen.