Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Erweitere deine Kenntnisse über maschinelles Lernen mit scikit-learn und entdecke, wie du mit dieser beliebten Python-Bibliothek Modelle anhand von beschrifteten Daten trainierst. In diesem Kurs lernst du, wie du aussagekräftige Vorhersagen treffen kannst, z. B. zur Klassifikation von Musikgenres, zur möglichen Abwanderung von Kunden eines Unternehmens und sogar zur Diagnose von Diabetes. Am Beispiel von realistischen Datensätzen siehst du, wie Vorhersagemodelle erstellt, ihre Parameter optimiert und ihre Leistungsfähigkeiten bei bisher ungesehenen Daten evaluiert werden.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Klassifikation
In diesem Kapitel werden Klassifikationsprobleme vorgestellt und du erfährst, wie du sie mit Techniken des überwachten Lernens lösen kannst. Du lernst, wie du Daten in Trainings- und Testmengen aufteilst, ein Modell anpasst, Vorhersagen erstellst und die Genauigkeit auswertest. Du entdeckst den Zusammenhang zwischen der Komplexität und Leistung von Modellen und wendest das Gelernte auf einen Beispieldatensatz an, um die mögliche Abwanderung von Kunden eines Telekommunikationsunternehmens vorherzusagen.
- Maschinelles Lernen mit scikit-learn50 XP
- Binäre Klassifikation50 XP
- Arbeitsablauf beim überwachten Lernen100 XP
- Klassifikationsbeispiel50 XP
- Nächste-Nachbarn-Klassifikation: Anpassung100 XP
- Nächste-Nachbarn-Klassifikation: Vorhersage100 XP
- Messung der Modellleistung50 XP
- Zerlegung in Trainings-/Testdaten und Berechnung der Korrektklassifikationsrate100 XP
- Überanpassung und Unteranpassung100 XP
- Visualisierung der Modellkomplexität100 XP
2
Regression
In diesem Kapitel lernst du die Vorgehensweise bei der Regression kennen und erstellst Modelle zur Vorhersage von Umsätzen anhand eines Datensatzes zu Werbeausgaben. Dabei wendest du die lineare Regression an und nutzt gängige Leistungskennzahlen wie das Bestimmtheitsmaß und den RMSE-Wert. Außerdem führst du eine k-fache Kreuzvalidierung durch und regularisierst Regressionsmodelle, um das Risiko einer Überanpassung zu verringern.
3
Feinabstimmung von Modellen
Nachdem du verschiedene Modelle trainiert hast, lernst du jetzt, wie du ihre Leistung bewerten kannst. Dazu werden in diesem Kapitel verschiedene Kennzahlen und ein Visualisierungsverfahren vorgestellt, um die Ergebnisse von Klassifikationsmodellen mit scikit-learn auszuwerten. Außerdem geht es um die Optimierung von Hyperparametern, um dadurch die Leistung von Klassifikations- und Regressionsmodellen weiter zu verbessern.
4
Vorverarbeitung und Pipelines
In diesem Kapitel lernst du, wie du fehlende Werte korrigierst, kategoriale Daten in numerische Werte umwandelst, Daten skalierst, mehrere Modelle für überwachtes Lernen gleichzeitig auswertest und Pipelines zur Workflow-Optimierung erstellst.
Überwachtes Lernen mit scikit-learn
Kurs
abgeschlossen
