Dieses Modul bildet die Grundlage für den Rest des Kurses, indem es die grundlegenden Konzepte des maschinellen Lernens vorstellt und insbesondere zeigt, wie maschinelles Lernen mit Python und dem scikit learn Modul für maschinelles Lernen durchgeführt wird. Zunächst erfahren Sie, wie maschinelles Lernen und künstliche Intelligenz die Wirtschaft verändern. Als nächstes lernen Sie die Grundtypen des maschinellen Lernens kennen und erfahren, wie Sie diese Algorithmen in einem Python-Skript nutzen können. Drittens lernen Sie, wie die lineare Regression als ein Problem des maschinellen Lernens mit Parametern betrachtet werden kann, die rechnerisch durch Minimierung einer Kostenfunktion bestimmt werden müssen. Schließlich lernen Sie nachbarschaftsbasierte Algorithmen kennen, darunter den k-nearest neighbor Algorithmus, der sowohl für Klassifizierungs- als auch für Regressionsaufgaben verwendet werden kann.

In diesem Modul werden einige der wichtigsten Algorithmen für maschinelles Lernen vorgestellt: logistische Regression, Entscheidungsbäume und Support Vector Machine. Von diesen drei Algorithmen ist der erste, die logistische Regression, ein Klassifizierungsalgorithmus (trotz seines Namens). Die anderen beiden können jedoch entweder für Klassifizierungs- oder Regressionsaufgaben verwendet werden. Daher wird in diesem Modul das Konzept der maschinellen Klassifizierung vertieft, bei dem Algorithmen aus vorhandenen, markierten Daten lernen, um neue, ungesehene Daten in bestimmte Kategorien zu klassifizieren, und das Konzept der maschinellen Regression, bei dem Algorithmen aus Daten ein Modell lernen, um Vorhersagen für neue, ungesehene Daten zu treffen. Diese Algorithmen unterscheiden sich zwar in ihren mathematischen Grundlagen, werden aber häufig zur Klassifizierung von Zahlen-, Text- und Bilddaten oder zur Durchführung von Regressionen in einer Vielzahl von Bereichen eingesetzt. In diesem Modul werden auch verschiedene Techniken zur Quantifizierung der Leistung von Klassifizierungs- und Regressionsalgorithmen sowie der Umgang mit unausgewogenen Trainingsdaten behandelt.

Dieses Modul führt Sie in mehrere wichtige und praktische Konzepte des maschinellen Lernens ein. Zunächst lernen Sie die Herausforderungen kennen, die mit der Anwendung der Datenanalyse (und insbesondere des maschinellen Lernens) auf reale Datensätze verbunden sind. Außerdem werden verschiedene Methoden vorgestellt, die Ihnen in Zukunft begegnen könnten und die vorgeben, wie Sie Datenanalyselösungen angehen, angehen und einsetzen müssen. Als Nächstes lernen Sie eine leistungsstarke Technik kennen, mit der Sie die Vorhersagen vieler schwacher Lerner kombinieren können, um eine bessere Vorhersage zu treffen - ein Prozess, der als Ensemble-Lernen bekannt ist. In diesem Modul werden insbesondere zwei der beliebtesten Ensemble-Learning-Techniken vorgestellt: Bagging und Boosting, und es wird demonstriert, wie sie in einem Python-Skript zur Datenanalyse eingesetzt werden können. Schließlich wird das Konzept einer Pipeline für maschinelles Lernen vorgestellt, das den Prozess der Erstellung, des Einsatzes und der Wiederverwendung von Modellen für maschinelles Lernen umschließt.

In diesem Modul werden das Konzept der Regularisierung, die Probleme, die sie bei Analysen des maschinellen Lernens verursachen kann, und Techniken zu ihrer Überwindung vorgestellt. Zunächst wird das grundlegende Konzept der Überanpassung vorgestellt, und es wird erläutert, wie Sie dieses Problem erkennen können. Als nächstes wird die Technik der Kreuzvalidierung vorgestellt, mit der die Wahrscheinlichkeit einer Überanpassung verringert werden kann. Als nächstes wird die Verwendung der Kreuzvalidierung zur Ermittlung der optimalen Parameter für einen Algorithmus für maschinelles Lernen, der auf einem bestimmten Datensatz trainiert wurde, vorgestellt. Schließlich wird das Konzept der Regularisierung vorgestellt, bei dem ein zusätzlicher Strafterm bei der Bestimmung der besten Parameter für das Modell des maschinellen Lernens angewendet wird, und für verschiedene Regressions- und Klassifikationsalgorithmen demonstriert.

In diesem Modul werden zunächst praktische Workflows für maschinelles Lernen besprochen, die in Produktionsumgebungen eingesetzt werden. Als nächstes werden in diesem Modul zwei weitere grundlegende Algorithmen vorgestellt: Naive Bayes und Gaußsche Prozesse. Diese Algorithmen haben beide ihre Grundlagen in der Wahrscheinlichkeitstheorie, arbeiten aber unter sehr unterschiedlichen Annahmen. Naive Bayes wird im Allgemeinen für Klassifizierungsaufgaben verwendet, während Gaußsche Prozesse im Allgemeinen für Regressionsaufgaben eingesetzt werden. In diesem Modul werden auch praktische Fragen bei der Erstellung von Workflows für maschinelles Lernen erörtert.

Dieses Modul führt in ein wichtiges Konzept des maschinellen Lernens ein, nämlich die Auswahl der tatsächlichen Merkmale, die von einem Algorithmus für maschinelles Lernen verwendet werden sollen. Zusammen mit der Datenbereinigung ist dieser Schritt im Prozess der Datenanalyse extrem wichtig, wird aber als Methode zur Verbesserung der Gesamtleistung einer Analyse oft übersehen. Dieses Modul beginnt mit einer Diskussion über Ethik beim maschinellen Lernen, vor allem weil die Auswahl von Merkmalen (manchmal) nicht offensichtliche Auswirkungen auf die endgültige Leistung eines Algorithmus haben kann. Dies kann wichtig sein, wenn maschinelles Lernen auf Daten in einer regulierten Branche angewendet wird oder wenn die unsachgemäße Anwendung eines Algorithmus zu Diskriminierung führen könnte. Im weiteren Verlauf dieses Moduls werden verschiedene Techniken vorgestellt, um entweder die besten Merkmale in einem Datensatz auszuwählen oder neue Merkmale aus dem vorhandenen Satz von Merkmalen zu konstruieren.

In diesem Modul wird das Clustering vorgestellt, bei dem Datenpunkte auf der Grundlage einer bestimmten Eigenschaft, z. B. dem räumlichen Abstand oder der lokalen Dichte von Punkten, größeren Gruppen von Punkten zugeordnet werden. Während Menschen Cluster in gegebenen Datensätzen oft mit Leichtigkeit visuell finden, ist das Problem rechnerisch eine größere Herausforderung. In diesem Modul werden zunächst die grundlegenden Ideen, die hinter dieser unüberwachten Lerntechnik stehen, sowie die verschiedenen Bereiche, in denen Clustering von Unternehmen eingesetzt werden kann, untersucht. Als nächstes wird eine der beliebtesten Clustering-Techniken, K-means, vorgestellt. Danach wird die dichtebasierte DB-SCAN-Technik vorgestellt. Dieses Modul schließt mit einer Einführung in die Technik der Mischmodelle für die probabilistische Zuordnung von Punkten zu Clustern.

In diesem Modul werden das Konzept der Anomalie oder des Ausreißers und verschiedene Techniken zur Erkennung dieser ungewöhnlichen Datenpunkte vorgestellt. Zunächst wird das allgemeine Konzept einer Anomalie erörtert und anhand der Aufdeckung von Betrug in der Wirtschaft demonstriert, der im Vergleich zu normalen Kunden oder Vorgängen im Allgemeinen eine Anomalie darstellen sollte. Als nächstes werden statistische Techniken zur Identifizierung von Ausreißern vorgestellt, bei denen es sich oft um einfache deskriptive Statistiken handelt, die Daten hervorheben können, die weit genug von der Norm für einen bestimmten Datensatz abweichen. Schließlich werden Techniken des maschinellen Lernens besprochen, die entweder Ausreißer klassifizieren oder Punkte in Bereichen mit geringer Dichte (oder außerhalb normaler Cluster) als potenzielle Ausreißer identifizieren können.