In diesem Kurs dreht sich alles um Daten und wie diese für den Erfolg Ihres angewandten maschinellen Lernmodells entscheidend sind. Nach Abschluss dieses Kurses verfügen Sie über folgende Fähigkeiten: Verstehen der kritischen Elemente von Daten in den Lern-, Trainings- und Betriebsphasen Verstehen von Verzerrungen und Datenquellen Implementieren von Techniken zur Verbesserung der Allgemeingültigkeit Ihres Modells Erklären der Folgen von Overfitting und Identifizieren von Abhilfemaßnahmen Implementieren geeigneter Test- und Validierungsmaßnahmen Demonstrieren, wie die Genauigkeit Ihres Modells durch durchdachtes Feature-Engineering verbessert werden kann Erforschen des Einflusses von Algorithmusparametern auf die Stärke des Modells Um diesen Kurs erfolgreich zu absolvieren, sollten Sie mindestens über Grundkenntnisse in der Python-Programmierung verfügen (z.B., sie sollten in der Lage sein, vorhandenen Code zu lesen und nachzuvollziehen, und Sie sollten mit Konditionalen, Schleifen, Variablen, Listen, Wörterbüchern und Arrays vertraut sein). Sie sollten ein Grundverständnis der linearen Algebra (Vektornotation) und der Statistik (Wahrscheinlichkeitsverteilungen und Mittelwert/Mittelwert/Modus) haben. Dies ist der dritte Kurs der Applied Machine Learning Specializations, die von Coursera und dem Alberta Machine Intelligence Institute angeboten wird.