Das einfache Modell, das Sie zuvor erstellt haben, funktioniert in vielen Fällen gut, aber das bedeutet nicht, dass es der optimale Ansatz ist. Die lineare Regression kann durch den Prozess der Regularisierung verbessert werden, wodurch sich die Fähigkeiten Ihres maschinellen Lernmodells oft verbessern. Darüber hinaus kann ein iterativer Ansatz für die Regression dort greifen, wo die geschlossene Lösung nicht ausreicht. In diesem Modul werden Sie beide Techniken anwenden.

Neben der linearen Regression ist der andere wichtige Typ von überwachten maschinellen Lernergebnissen die Klassifizierung. Zunächst werden Sie einige binäre Klassifizierungsmodelle mit verschiedenen Algorithmen trainieren. Dann trainieren Sie ein Modell für Fälle, in denen es mehrere Möglichkeiten gibt, ein Datenbeispiel zu klassifizieren. Jeder Algorithmus kann ideal für die Lösung einer bestimmten Art von Klassifizierungsproblem sein, daher müssen Sie wissen, wie sie sich unterscheiden.

Es reicht nicht aus, einfach ein Modell zu trainieren, das Sie für das beste halten, und dann Feierabend zu machen. Wenn Sie nicht gerade einen sehr einfachen Datensatz verwenden oder Glück haben, werden Sie mit den Standardparametern nicht das bestmögliche Modell zur Lösung des Problems erhalten. In diesem Modul werden Sie also Ihre Klassifizierungsmodelle bewerten, um zu sehen, wie sie abschneiden, und dann versuchen, ihre Fähigkeiten zu verbessern.

Sie haben Modelle erstellt, um lineare Regressions- und Klassifizierungsprobleme zu bewältigen. Eine weitere wichtige Aufgabe des maschinellen Lernens, mit der Sie sich beschäftigen möchten, ist das Clustering, eine Form des unüberwachten Lernens. In diesem Modul erfahren Sie, wie ein maschinelles Lernmodell Ihnen helfen kann, nützliche Muster zu erkennen, selbst wenn die Daten, mit denen Sie arbeiten müssen, nicht beschriftet sind.

Sie werden an einem Projekt arbeiten, in dem Sie Ihr Wissen aus diesem Kurs auf praktische Szenarien anwenden werden.