Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Mach dich bereit für dein Vorstellungsgespräch im Bereich Machine Learning
Hast du dich schon mal gefragt, wie du dich richtig auf ein Vorstellungsgespräch zum Thema maschinelles Lernen vorbereiten kannst? In diesem Kurs machst du dich fit für 15 typische Fragen zum Thema Machine Learning (ML) in Python, die bei Vorstellungsgesprächen für Datenwissenschaftler oft auftauchen.Diese Fragen drehen sich um sieben wichtige Themen: Datenvorverarbeitung, Datenvisualisierung, überwachtes Lernen, unüberwachtes Lernen, Modellensemble, Modellauswahl und Modellbewertung.
Frisch dein Wissen über maschinelles Lernen auf
Du fängst damit an, dich mit Fragen zur Datenvorverarbeitung und Datenvisualisierung zu beschäftigen. Nachdem du alle Vorverarbeitungsschritte erledigt hast, wirst du ein prädiktives ML-Modell erstellen, um deine praktischen Fähigkeiten zu verbessern.Als Nächstes wirst du ein paar Techniken des überwachten Lernens durchgehen, bevor du zum unüberwachten Lernen übergehst. Je nach Job wirst du wahrscheinlich beide Themen in deinem Vorstellungsgespräch zum Thema maschinelles Lernen ansprechen.
Zum Schluss geht's um die Modellauswahl und -bewertung, wie man die Leistung für die Modellgeneralisierung bewertet und verschiedene Techniken beim Aufbau eines Ensemble-Modells anschaut.
Übe die Antworten auf die häufigsten Fragen zu maschinellem Lernen in Vorstellungsgesprächen
Am Ende des Kurses wirst du sowohl über die nötigen theoretischen Grundlagen als auch über die Fähigkeit verfügen, Python-Code zu entwickeln, um diese 15 Fragen erfolgreich zu beantworten.Die Codierungsbeispiele basieren hauptsächlich auf dem scikit-learn-Paket, weil es einfach zu benutzen ist und die wichtigsten Techniken des maschinellen Lernens in der Programmiersprache Python abdeckt.
Der Kurs geht nicht auf die Grundlagen des maschinellen Lernens ein, weil die schon in den Voraussetzungen für den Kurs behandelt werden.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Datenvorverarbeitung und -visualisierung
Im ersten Kapitel dieses Kurses führst du alle Schritte der Vorverarbeitung durch, die für ein prädiktives Machine-Learning-Modell nötig sind – einschließlich des Umgangs mit fehlenden Werten, Ausreißern und der Normalisierung deines Datensatzes.
- Mit fehlenden Daten umgehen50 XP
- Die Suche nach fehlenden Werten100 XP
- Einfache Imputation100 XP
- Iterative Imputation100 XP
- Datenverteilungen und Transformationen50 XP
- Trainings- vs. Testdaten: Verteilungen und Transformationen50 XP
- Train/Test-Verteilungen100 XP
- Logarithmus- und Potenztransformationen100 XP
- Ausrreißer in den Daten und Skalierung50 XP
- Ausreißererkennung100 XP
- Umgang mit Ausreißern100 XP
- Z-Score-Standardisierung100 XP
2
Überwachtes Lernen
Im zweiten Kapitel dieses Kurses übst du verschiedene Aspekte überwachten Machine Learnings, zum Beispiel die Auswahl des optimalen Feature-Subsets, Regularisierung zur Vermeidung von Overfitting, Feature Engineering und Ensemble-Modelle zur Bewältigung des sogenannten Bias-Variance-Trade-offs.
3
Unüberwachtes Lernen
Im dritten Kapitel dieses Kurses nutzt du unüberwachtes Lernen, um Feature-Extraktion und Visualisierungstechniken für Dimensionsreduktion anzuwenden sowie Clustering-Methoden, um nicht nur den passenden Clustering-Algorithmus, sondern auch die optimale Anzahl von Clustern für einen Datensatz zu wählen.
4
Modellauswahl und -bewertung
Im vierten und letzten Kapitel dieses Kurses legst du noch eine Schippe drauf und verwendest Bootstrapping und Cross-Validation, um die Performance hinsichtlich Modellgeneralisierung zu bewerten, Resampling-Techniken für unausgewogene Klassen, erkennst und entfernst Multikollinearität und baust ein Ensemblemodell.
ML-Vorstellungsgespräche in Python üben
Kurs
abgeschlossen
