Diese Bewertung ist ein benotetes Quiz, das auf den in dieser Woche behandelten Modulen basiert.

In diesem Modul erfahren Sie etwas über den Ursprung und die Entwicklung des maschinellen Lernens. Sie lernen auch die verschiedenen Arten des maschinellen Lernens und die wesentlichen Komponenten kennen, die für die Entwicklung eines Machine-Learning-Modells erforderlich sind. Sie erhalten einen Überblick über verschiedene Arten von Algorithmen, die Sie zum Trainieren von Machine-Learning-Modellen für spezifische Geschäftsprobleme verwenden können. Die Art und der Typ der Daten, die zum Trainieren dieser Algorithmen benötigt werden, werden ebenfalls besprochen. Das Modul behandelt auch die verschiedenen Best Practices und Herausforderungen, auf die man beim Einsatz von maschinellem Lernen zur Unterstützung von Geschäftsabläufen achten muss.

In diesem Modul werden Sie verschiedene Modelle des maschinellen Lernens erneut untersuchen. Wir werden praktische Aufgaben besprechen, auf die maschinelles Lernen üblicherweise angewendet wird, und Sie werden lernen, die Leistung von maschinellen Lernsystemen zu messen. Wir werden mit einer beliebten Bibliothek für die Programmiersprache Python namens scikit-learn arbeiten, die hochmoderne Implementierungen vieler Algorithmen für maschinelles Lernen zusammengestellt hat.

Diese Bewertung ist ein benotetes Quiz, das auf den in dieser Woche behandelten Modulen basiert.

In diesem Modul lernen Sie künstliche neuronale Netze (ANNs) und ihre Rolle beim maschinellen Lernen kennen. Sie lernen auch das Perceptron kennen, die erste reale Anwendung, die auf neuronalen Netzen basiert. Die Konzepte der Gewichte, Verzerrungen und Aktivierungsfunktionen sowie ihre Rolle bei der Analyse von Daten und dem Training von ANNs werden besprochen. Wir werden auch diskutieren, wie Konzepte wie Backpropagation und Gradientenabstieg den Lernprozess mit ANNs beeinflussen.

In diesem Modul werden Sie lernen, wie man neuronale Netzwerke für Vorhersageaufgaben einsetzt. Sie werden auch lernen, wie Sie die Python Open Source TensorFlow Bibliothek für maschinelles Lernen für die Implementierung von Regressions- und Klassifikationsmodellen verwenden, um Erkenntnisse aus strukturierten und unstrukturierten Textdaten zu gewinnen. Das Modul bespricht auch Methoden für das Tuning von Hyperparametern zur Leistungsverbesserung. Schließlich wird dieses Modul Ihnen helfen, Deep-Learning-Modelle zu definieren und sich mit dem Problem der Überanpassung zu befassen und Wege zu finden, dieses zu erkennen und zu überwinden.

Diese Bewertung ist ein benotetes Quiz, das auf dem in dieser Woche behandelten Modul basiert.

In diesem Modul werden Sie mit dem Konzept der Wort- und Bildeinbettungen vertraut gemacht, die Anwendungen der natürlichen Sprache und der Bildverarbeitung umgestalten. Sie werden lernen, wie man Worteinbettungen anhand eines Textkorpus generiert und wie man bereits trainierte Worteinbettungen wie Glove und Fasttext verwendet. In diesem Modul werden auch neuronale Faltungsnetze und auf Bildvektoren basierende Modelle für Bildklassifizierungsaufgaben behandelt.

Diese Bewertung ist ein benotetes Quiz, das auf den in dieser Woche behandelten Modulen basiert.

In diesem Modul werden die Lernziele und die Anweisungen für die Abgabe der Endterm Assignment für diesen Kurs beschrieben.