Willkommen zu Modul 2! In diesem Modul werden wir etwas über Clustering lernen - eine weitere wichtige und weit verbreitete Methode des Unüberwachten Lernens. Wir lernen die wichtigsten Familien von Clustering Algorithmen kennen, wie z.B. hierarchische Methoden (agglomerative bottom-up, divisive top-down), Partitionierungsmethoden (k-means, k-medoids) und dichtebasierte Methoden (DBSCAN). Wir werden auch lernen, wie man die Qualität von Clustern bewertet und optimiert. Am Ende dieses Moduls besteht unsere Aufgabe darin, eine Vielzahl dieser Clustering-Ansätze auf realistische Datensätze anzuwenden und dabei die Clustering-Funktionen von SciKit-Learn zu nutzen. Los geht's!

Willkommen zu Modul 3! In diesem Modul werden wir uns mit der Schätzung latenter Variablen beschäftigen - ein weiterer wichtiger Bereich des Unüberwachten Lernens, insbesondere für textbasierte Anwendungen. Wir werden uns zunächst auf das Thema der Textrepräsentationen konzentrieren. Die Themenmodellierung ist eine weitere Form der Schätzung latenter Variablen, die wir anhand von zwei verschiedenen Methoden kennenlernen werden: Latent Dirichlet Allocation (LDA) und Non-Negative Matrix Factorization. Wir werden auch eine Umfrage zu Worteinbettungen durchführen, um zu lernen, wie man Wörter mit Vektoren auf semantisch nützliche Weise darstellen kann. Am Ende dieses Moduls besteht unsere Aufgabe darin, Probleme zu lösen, indem wir die Themenstruktur in einer großen Dokumentensammlung analysieren und Worteinbettungen auf eine NLP-bezogene Aufgabe anwenden. Los geht's!

Willkommen zu Modul 4, unserem letzten Modul des Kurses! Zum Abschluss unseres Kurses lernen wir, wie unüberwachte Methoden mit Methoden des überwachten Lernens integriert werden können, um die Vorhersageleistung zu verbessern. Ein zentrales Thema dieses Moduls in dieser Richtung sind Imputationsmethoden für den Umgang mit fehlenden Daten. Außerdem werden wir uns mit verschiedenen Spezialisierungen befassen, darunter auch mit Erweiterungen des Unüberwachten Lernens, die auf dem neuesten Stand der Technik sind: Semi-Überwachtes Lernen und Selbstüberwachtes Lernen. Am Ende dieses Moduls besteht unsere Aufgabe darin, Methoden und Techniken zur Imputation fehlender Daten und zum halbüberwachten Lernen anzuwenden, wobei das zugrunde liegende Thema darin besteht, wie Unüberwachtes Lernen das überwachte Lernen verbessern kann. Fangen wir an!