In diesem Modul setzen Sie die Arbeit fort, die wir im letzten Modul mit linearen Regressionen begonnen haben. Sie werden mehr darüber erfahren, wie man solche Modelle auswertet und wie man die wichtigen Merkmale auswählt und diejenigen ausschließt, die statistisch nicht signifikant sind. Außerdem lernen Sie die Maximum-Likelihood-Schätzung kennen, einen probabilistischen Ansatz zur Schätzung Ihrer Modelle.

In diesem Modul lernen Sie insbesondere Basisfunktionen und Polynomexpansionen kennen, die es Ihnen ermöglichen, dieselben linearen Regressionstechniken, die wir bisher untersucht haben, auch für die Modellierung nichtlinearer Beziehungen zu verwenden. Dann lernen wir etwas über den Kompromiss zwischen Verzerrung und Varianz, eine Schlüsselbeziehung beim maschinellen Lernen. Methoden wie die Polynomexpansion können Ihnen helfen, Modelle zu trainieren, die die Beziehung in Ihren Trainingsdaten recht gut erfassen, aber dieselben Modelle können bei neuen Daten schlecht abschneiden. Sie lernen verschiedene Regularisierungsmethoden kennen, die dabei helfen können, diesen Zielkonflikt auszugleichen und Modelle zu erstellen, die eine Überanpassung vermeiden.

In diesem Modul erfahren Sie zunächst mehr über die Evaluierung und Abstimmung Ihrer Modelle. Wir sehen uns Techniken zur Kreuzvalidierung an, mit deren Hilfe Sie genauere Messungen der Leistung Ihres Modells erhalten, und dann sehen Sie, wie Sie diese Techniken zusammen mit Pipelines und GridSearch zur Abstimmung Ihrer Modelle verwenden können. Schließlich befassen wir uns mit der Theorie und Praxis unserer ersten Klassifizierungstechnik, der logistischen Regression.

In diesem Modul lernen Sie zwei weitere Klassifizierungstechniken kennen: zunächst die Support Vector Machines (SVMs) und dann Naive Bayes, ein schneller und gut interpretierbarer Ansatz, der das Bayes-Theorem verwendet.

In diesem Modul lernen Sie zunächst etwas über die Klassifizierung mit Entscheidungsbäumen. Wir werden sehen, wie man Modelle erstellt, die einzelne Entscheidungsbäume verwenden, und dann Ensemble-Modelle, die viele Bäume verwenden, wie Bagging, Boosting und Random Forests. Anschließend erfahren wir mehr darüber, wie man die Leistung von Klassifizierern bewertet.

Bis jetzt haben wir uns auf überwachtes Lernen und das Training von Modellen konzentriert, die eine von Ihnen festgelegte Zielvariable schätzen. In diesem Modul werfen wir zum ersten Mal einen Blick auf das unüberwachte Lernen, einen Bereich des maschinellen Lernens, der Techniken verwendet, um Muster und Beziehungen in Daten zu finden, ohne dass Sie jemals ein Ziel definieren. Wir befassen uns insbesondere mit einer Reihe von Clustering-Techniken, beginnend mit k-means und hierarchischem Clustering und dann mit verteilungs- und dichtebasiertem Clustering.

In diesem Modul werden Sie zwei neue Techniken kennenlernen. Die erste ist die Hauptkomponentenanalyse, eine leistungsstarke Technik zur Dimensionalitätsreduzierung, mit der Sie hochdimensionale Merkmale in einen niedrigdimensionalen Raum projizieren können. Dies kann für eine Reihe von Zwecken verwendet werden, z.B. zur Auswahl von Merkmalen, zur Vermeidung von Überanpassung, zur Visualisierung von höherdimensionalen Daten in zwei- oder dreidimensionalen Räumen und mehr. Anschließend werden Sie sich mit versteckten Markov-Modellen beschäftigen, einer Technik, mit der Sie Sequenzen von Zuständen modellieren können, bei denen jeder Zustand von dem vorhergehenden abhängt.

Dieses Modul führt Sie in eines der am meisten gehypten Themen im Bereich des maschinellen Lernens ein, das Deep Learning mit Feed-Forward neuronalen Netzen und Faltungsneuronalen Netzen. Sie werden lernen, wie diese Techniken funktionieren und wo sie sehr effektiv - oder sehr ineffektiv - sein können. Wir untersuchen, wie man solche Modelle mit Python und Keras entwirft, implementiert und evaluiert.