Erforschen Sie grundlegende Techniken zur Analyse von Merkmalen und zur Modellevaluation, die für effektive Anwendungen des Maschinellen Lernens entscheidend sind. Lernen Sie, Datensätze aus verschiedenen Quellen wie UCI KDD und Kaggle zu identifizieren, vorzuverarbeiten und zu integrieren. Gewinnen Sie praktische Erfahrung mit dem Weka-Framework für die Datenvorverarbeitung und Klassifizierung und verstehen Sie Evaluierungsmetriken wie Receiver Operating Characteristic-Kurven. Am Ende dieses Moduls werden Sie die Feinheiten der Überanpassung von Modellen und Strategien zur Optimierung der Modellleistung kennenlernen.

Beherrschen Sie die wesentlichen Techniken der Datenvorverarbeitung, um die Leistung von Modellen des Maschinellen Lernens zu verbessern. Dieses Modul behandelt die grundlegenden Aspekte der Datenbereinigung, verschiedene Datenformate und Verarbeitungsmethoden. Sie werden sich mit fortgeschrittenen Themen wie Diskretisierung, Datenumwandlung und Reduktionstechniken befassen. Am Ende dieses Moduls sind Sie in der Lage, Datenmerkmale zu entwickeln, Feature Selection anzuwenden und Datensätze für optimale Ergebnisse beim Maschinellen Lernen zu verfeinern.

Vertiefen Sie sich in die Grundprinzipien und mathematischen Grundlagen von Algorithmen des Überwachten Lernens. Dieses Modul deckt wesentliche Techniken ab, darunter den Perceptron Algorithmus, den Naive Bayes Klassifikator und Lineare Regression Methoden. Sie werden praktische Erfahrungen mit der Implementierung und Visualisierung dieser Algorithmen sammeln und erforschen, wie sich die Entscheidungsgrenzen des Klassifizierers bei Änderungen der Parameter verschieben. Außerdem lernen Sie, die Klassifizierung von Texten mit realen Datensätzen anzuwenden, um ein praktisches Verständnis für Anwendungen des Überwachten Lernens zu erlangen