Sie können das überwachte Lernen verbessern, indem Sie mehrere schwache Klassifikatoren verwenden, die auf Teilmengen von Merkmalen mit begrenzter Lernfähigkeit arbeiten. Durch die Nutzung ihrer schieren Anzahl und der Mehrheitsabstimmung sind Ensemble-Klassifikatoren durchweg leistungsfähiger und stabiler als komplexe Einzelklassifikatoren. Random Forest, der als einer der besten Ensemble-Klassifikatoren gilt, stützt sich auf schwache Entscheidungsbaum-Klassifikatoren. Daher werden in diesem Modul Entscheidungsbaum-Klassifikatoren und ihre Visualisierungen vorgestellt. Darüber hinaus werden Sie sehen, wie durch den Einsatz zahlreicher schwacher Klassifikatoren mit reduzierten Merkmalen aus dem Datensatz eine kombinierte Abstimmungsleistung erzielt werden kann, die die der einzelnen Klassifikatoren übertrifft

Bestimmte Probleme, auf die Sie stoßen, erfordern präzise numerische Vorhersagen, wie z. B. die Vorhersage der saisonalen Grippewelle oder die Vorhersage des Börsenindexes der nächsten Woche. Für solche Szenarien sind Regressionstechniken von unschätzbarem Wert. In diesem Modul werden Sie verschiedene Arten der Regression erforschen, lineare Regressionsgleichungen analytisch lösen, Kostenfunktionen definieren und Situationen verstehen, in denen lineare Regression scheitern kann. Darüber hinaus werden Sie sich mit der Codierung quadratischer und logistischer Regressionen von Grund auf befassen und dabei polynomielle Merkmale und Sci-Fi-Optimierer verwenden. Die logistische Regression, eine weit verbreitete Methode zur Klassifizierung, passt Daten an eine logistische Kurve an, die auf den Merkmalen des Datensatzes basiert. Sie werden die logistische Regression anwenden, um ein Vorhersagemodell für das Wiederauftreten von Krebs anhand von Diagnosedaten von Patienten zu entwickeln.

In diesem Modul werden Sie sich mit dem Unüberwachten Lernen beschäftigen, das als Gegenstück zum Überwachten Lernen dient. Unüberwachtes Lernen zielt darauf ab, die zugrundeliegende Wahrscheinlichkeitsverteilung eines Datensatzes auf der Basis seiner Merkmale als Zufallsvariablen zu konstruieren, um Ausreißer und Schwerpunkte von Dichten zu identifizieren. Sie beginnen mit dem Verständnis von Distanz- und Ähnlichkeitsmetriken, die für Clustering-Algorithmen entscheidend sind. Beliebte Algorithmen wie k-means, DBSCAN, hierarchisches Clustering und EM werden kurz vorgestellt. Außerdem lernen Sie Metriken kennen, die die Qualität von Clustern bewerten, sowie 3D-Visualisierungen und Dendrogramme. Anhand eines künstlichen Datensatzes, der dem des Überwachten Lernens ähnelt, werden Sie Clustering-Techniken anwenden. Darüber hinaus werden Sie Clustering in Aktion am berühmten Iris-Datensatz erleben und dabei verschiedene Algorithmen anwenden. Dabei werden Sie entdecken, wie die Elbow-Methode bei der Bestimmung der optimalen Anzahl von Clustern hilft.

In diesem Modul werden Sie sich mit dem verstärkenden Lernen befassen und das Trio der wichtigsten Lernstrategien neben überwachten und unüberwachten Methoden vervollständigen. Ähnlich wie der Mensch lernt, sich in seiner Umgebung zurechtzufinden, funktioniert das Bestärkende Lernen in Szenarien, in denen die Basiswahrheit fehlt oder unpraktisch ist, und verlässt sich stattdessen auf die Interaktion mit der Umgebung. Sie werden entdecken, wie Richtlinien durch Belohnungen und Bestrafungen gelernt werden, um den Nutzen zu maximieren oder die Kosten zu minimieren. Bestärkendes Lernen ist weit verbreitet, wenn es darum geht, Computern das Spielen komplexer Brettspiele wie Backgammon oder Schach beizubringen - der Triumph von AlphaGo über den Go-Weltmeister ist ein Beispiel für seine Fähigkeiten bei der Weiterentwicklung der KI. Sie werden sich mit dem Verstärkungsmodell, der Terminologie und typischen Problemen wie Tic-Tac-Toe und Aufzugsteuerung beschäftigen. Techniken zur Entwicklung eines mathematischen Modells wie Q-Learning, das auf Zuständen und Aktionen basiert, werden erforscht und gipfeln in der praktischen Umsetzung, um ein ausgewähltes Spiel zu meistern.