In dieser Woche werden die Studenten lernen, wie Support Vector Machines (SVM) funktionieren, und sie werden diese Modelle bei der Betrachtung von Baseball- und Wearable-Daten erleben. Am Ende der Woche werden die Studenten Erfahrung mit der Erstellung von SVMs mit echten Daten haben und in der Lage sein, sie auf ihre eigenen Probleme anzuwenden.

In dieser Woche geht es um interpretierbare Methoden des maschinellen Lernens mit einem besonderen Schwerpunkt auf Entscheidungsbäumen. Die Teilnehmer lernen, wie diese Modelle im Allgemeinen funktionieren, und sehen spezielle Anwendungen von Entscheidungsbäumen in Kombination mit Regressionsmethoden. In dieser Woche werden die Studenten besser verstehen, wie das Python-Toolkit sklearn für eine Vielzahl von Aufgaben des überwachten Lernens verwendet werden kann.

In dieser Kurswoche werden die Studenten lernen, wie viele verschiedene Modelle in Form von Ensembles zusammen verwendet werden können, einschließlich der Random-Forest-Methode, die häufig verwendet wird, sowie allgemeinere in Sklearn verfügbare Methoden wie Stacking und Bagging. Am Ende dieser Woche werden die Teilnehmer ein umfassendes Verständnis dafür haben, wie Methoden wie SVMs, Entscheidungsbäume und logistische Regression zusammen verwendet werden können, um ein Problem mit steigender Leistung zu lösen.