In diesem Modul lernen Sie zwei wesentliche Regressionstechniken kennen, die beim maschinellen Lernen verwendet werden - die lineare und die logistische Regression. Sie erklären die Rolle der Regression bei der Vorhersage von Ergebnissen, beschreiben die Unterschiede zwischen einfacher und multipler linearer Regression und wenden beide mit scikit-learn auf reale Daten an. Sie werden auch interpretieren, wie polynomiale und nicht-lineare Regressionsmodelle komplexe Muster erfassen. Das Modul führt in die logistische Regression als Klassifikationsmethode ein und leitet Sie an, Klassifikationsmodelle effektiv zu trainieren und zu testen. Zur Unterstützung Ihres Lernens erhalten Sie ein Spickzettel: Lineare und logistische Regression, das die wichtigsten Konzepte, Formeln und Anwendungsfälle zusammenfasst.

In diesem Modul werden Sie eine Reihe von überwachten maschinellen Lernmodellen erstellen und auswerten, um sowohl Klassifizierungs- als auch Regressionsprobleme zu lösen. Sie beginnen mit der Beschreibung, wie Klassifizierungsmodelle kategoriale Ergebnisse vorhersagen, und implementieren Mehrklassen-Klassifizierungsstrategien mit realen Daten. Anschließend untersuchen Sie, wie Entscheidungsbäume Vorhersagen treffen, und wenden sie sowohl auf Klassifizierungs- als auch auf Regressionsaufgaben an. Das Modul behandelt auch die Verwendung von Support Vector Machines (SVM) für die Betrugserkennung, die Anwendung von K-Nearest Neighbors (KNN) für die Kundenklassifizierung und das Training von Ensemble-Modellen wie Random Forest und XGBoost zur Verbesserung der Genauigkeit und Effizienz. Sie werden zwischen Verzerrung und Varianz in der Modellleistung unterscheiden und untersuchen, wie Ensemble-Methoden helfen, diesen Kompromiss auszugleichen. Zur Unterstützung Ihres Lernens erhalten Sie ein Spickzettel: Building Supervised Learning Models mit Schlüsselbegriffen, Modelltypen und Bewertungstipps.

In diesem Modul lernen Sie, wie Techniken des unüberwachten Lernens verborgene Muster in Daten aufdecken, ohne beschriftete Antworten zu verwenden. Sie werden Clustering-Konzepte beschreiben und K-Means auf reale Kundensegmentierungsaufgaben anwenden. Sie werden auch DBSCAN- und HDBSCAN-Modelle vergleichen, um dichte Cluster in räumlichen Daten zu identifizieren. Über das Clustering hinaus erforschen Sie die Dimensionalitätsreduktion als ein Werkzeug zur Vereinfachung hochdimensionaler Datensätze. Sie wenden PCA an, um Schlüsselkomponenten aufzudecken, und nutzen fortgeschrittene Techniken wie t-SNE und UMAP zur Visualisierung der Datenstruktur. Zur Unterstützung Ihres Lernens erhalten Sie ein Cheat Sheet: Aufbau von Modellen für unüberwachtes Lernen, das die wichtigsten Methoden, praktische Anwendungsfälle und Vergleichsrichtlinien hervorhebt.

In diesem Modul lernen Sie, wie Sie die Effektivität von Modellen des maschinellen Lernens mithilfe von branchenüblichen Bewertungs- und Validierungstechniken bewerten können. Sie werden die wichtigsten Klassifizierungs- und Regressionsmetriken erklären, Modelle anhand von realen Daten bewerten und die Ergebnisse mit Tools wie Konfusionsmatrizen und Merkmalsbedeutungsdiagrammen interpretieren. Sie erfahren, wie Sie die Qualität von Clustern beim unüberwachten Lernen bewerten und Kreuzvalidierung anwenden, um Überanpassungen zu vermeiden. Das Modul stellt auch Regularisierungsmethoden vor, um die Modellgeneralisierung zu verbessern und die Merkmalskomplexität zu reduzieren. Schließlich erstellen Sie komplette Pipelines für maschinelles Lernen und optimieren sie mit GridSearchCV, wobei Sie häufige Fallstricke wie Datenlecks erkennen. Zur Unterstützung Ihres Lernens erhalten Sie ein Cheat Sheet: Evaluierung und Validierung von Modellen für maschinelles Lernen, das die wichtigsten Metriken, Techniken und Strategien zur Modelloptimierung enthält.

In diesem letzten Modul werden Sie alle im Kurs erworbenen Fähigkeiten anwenden und demonstrieren. Sie beginnen mit einem Praxisprojekt unter Verwendung des Titanic-Datensatzes, um Klassifizierungsmodelle mit Hilfe von Pipelines, Kreuzvalidierung und Hyperparameter-Tuning zu erstellen und zu optimieren. Im abschließenden Projekt entwickeln Sie einen Klassifikator zur Vorhersage von Niederschlägen anhand historischer Wetterdaten. Dazu gehören Datenbereinigung, Feature Engineering, Modellerstellung und Leistungsbewertung. Zum Abschluss des Kurses werden Sie eine benotete Abschlussprüfung ablegen, in der Ihr Wissen aus allen sechs Modulen getestet wird. Dieses Modul gibt Ihnen die Möglichkeit, Ihr Wissen sowohl in der Praxis als auch in der Theorie unter Beweis zu stellen.