Data Science mit Machine Learning: Machine Learning Konzepte

Datenwissenschaft mit maschinellem Lernen: Konzepte des maschinellen Lernens
Dieser Kurs vermittelt ein tiefgreifendes Verständnis der Konzepte des maschinellen Lernens (ML) und stattet die Lernenden mit den Fähigkeiten aus, ML-Modelle zu erstellen, zu trainieren und zu bewerten. Die Teilnehmer werden sich mit Python-Programmierung, ML-Algorithmen und KI-gesteuerten prädiktiven Analysen anhand praktischer Anwendungen befassen.
Kursmodule:

Einführung in Python für maschinelles Lernen

• Erlernen Sie die Python-Syntax, Datenstrukturen und Funktionen für ML-Anwendungen.
• Erkunden Sie die Rolle von Python in der Datenwissenschaft und im maschinellen Lernen.
• Arbeiten Sie mit wichtigen Python-Bibliotheken für die Entwicklung von ML-Modellen.

Einrichten von Entwicklungsumgebungen

• Installieren und konfigurieren Sie Jupyter Notebooks und Anaconda für eine nahtlose Codierung.
• Verwenden Sie Git- und Unix-Befehle für die Versionskontrolle und Zusammenarbeit.
• Richten Sie Python-IDEs wie PyCharm und VS Code für effiziente ML-Workflows ein.

Grundlagen des maschinellen Lernens

• Verstehen Sie den Unterschied zwischen überwachtem und unüberwachtem Lernen.
• Lernen Sie Klassifizierungs-, Regressions- und Clustering-Techniken kennen.
• Erkunden Sie Modellbewertungsmetriken wie Genauigkeit, Präzision und Rückruf.

Überwachte Lerntechniken

• Implementieren Sie lineare Regression und logistische Regression für die Vorhersagemodellierung.
• Erkunden Sie Entscheidungsbäume, Zufallswälder und Support-Vektor-Maschinen (SVMs).
• Lernen Sie, wie man überwachte Lernmodelle trainiert und testet.

Unüberwachte Lerntechniken

• Verstehen Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
• Lernen Sie die Dimensionsreduktion mithilfe der PCA (Hauptkomponentenanalyse) kennen.
• Erkunden Sie reale Anwendungen des unüberwachten Lernens.

Tiefes Lernen und neuronale Netze

• Lernen Sie die Grundlagen künstlicher neuronaler Netze (ANNs) kennen.
• Verstehen Sie, wie sich Aktivierungsfunktionen, Schichten und Gewichte auf die Modellleistung auswirken.
• Sammeln Sie praktische Erfahrungen mit TensorFlow und Keras für tiefes Lernen.

Modellbewertung und -optimierung

• Erkunden Sie die Hyperparameter-Abstimmung, um die Modellleistung zu optimieren.
• Verwenden Sie Techniken wie Kreuzvalidierung und Rastersuche.
• Verstehen Sie den Kompromiss zwischen Verzerrung und Varianz und Strategien zur Vermeidung von Überanpassung.

Praktische Entwicklung von Modellen für maschinelles Lernen

• Erstellen und trainieren Sie ML-Modelle mit Python und Scikit-learn.
• Arbeiten Sie mit realen Datensätzen für Klassifizierungs- und Regressionsaufgaben.
• Wenden Sie Techniken des maschinellen Lernens auf geschäftliche und KI-gesteuerte Lösungen an.