In diesem Modul werden wir die wichtigsten Schritte bei der Erstellung von Modellen für maschinelles Lernen besprechen. Wir lernen die Quellen der Modellkomplexität kennen und erfahren, wie sich die Komplexität auf die Leistung eines Modells auswirkt. Abschließend werden wir Strategien für den Vergleich verschiedener Modelle diskutieren, um das optimale Modell für die Produktion auszuwählen.

In diesem Modul lernen wir, wie man geeignete Ergebnis- und Output-Metriken für KI-Projekte definiert. Anschließend besprechen wir die wichtigsten Metriken für die Bewertung von Regressions- und Klassifizierungsmodellen und wie Sie eines für den Einsatz auswählen. Zum Abschluss diskutieren wir über häufige Fehlerquellen bei Projekten zum maschinellen Lernen und darüber, wie man schlechte Leistungen beheben kann.

In diesem Modul werden wir uns mit der Verwendung von linearen Modellen für Regression und Klassifizierung beschäftigen. Wir beginnen mit einer Einführung in die lineare Regression und fahren mit einer Diskussion darüber fort, wie die lineare Regression durch Regularisierung besser funktionieren kann. Anschließend wechseln wir zur Klassifizierung und stellen das logistische Regressionsmodell sowohl für binäre als auch für Mehrklassen-Klassifizierungsprobleme vor.

Wir beginnen dieses Modell mit einer Diskussion über Baummodelle und ihren Wert bei der Modellierung komplexer nichtlinearer Probleme. Anschließend werden wir die Methode zur Erstellung von Ensemble-Modellen und deren Vorteile vorstellen. Zum Abschluss dieses Moduls wechseln wir zum unüberwachten Lernen und besprechen das Clustering und den beliebten K-Means-Clustering-Ansatz.

Unser letztes Modul in diesem Kurs wird sich auf ein aktuelles Gebiet des maschinellen Lernens konzentrieren, das Deep Learning oder die Verwendung von mehrschichtigen neuronalen Netzwerken. Wir werden ein Verständnis für die Intuition und die wichtigsten mathematischen Prinzipien entwickeln, die der Funktionsweise neuronaler Netzwerke zugrunde liegen. Anschließend werden wir gängige Anwendungen des Deep Learning in den Bereichen Computer Vision und Verarbeitung natürlicher Sprache diskutieren. Wir schließen den Kurs mit unserem Kursprojekt ab, in dem Sie die Möglichkeit haben, den Modellierungsprozess und die erlernten Best Practices anzuwenden, um Ihr eigenes maschinelles Lernmodell zu erstellen.