In dieser Woche werden Sie Ihre erste intelligente Anwendung erstellen, die Vorhersagen aus Daten macht.<p>Wir werden diese Idee im Rahmen unserer ersten Fallstudie, der Vorhersage von Hauspreisen, erkunden, bei der Sie Modelle erstellen werden, die einen kontinuierlichen Wert (Preis) aus Eingabemerkmalen (Quadratmeterzahl, Anzahl der Schlafzimmer und Badezimmer,...) vorhersagen. <p>Dies ist nur einer der vielen Anwendungsbereiche der Regression. Andere Anwendungen reichen von der Vorhersage von Gesundheitsergebnissen in der Medizin, Aktienkursen im Finanzwesen und dem Energieverbrauch im Hochleistungsrechnen bis hin zur Analyse, welche Regulatoren für die Genexpression wichtig sind.</p>Sie werden auch untersuchen, wie Sie die Leistung Ihres Vorhersagemodells analysieren und die Regression mit Hilfe eines Jupyter-Notebooks in die Praxis umsetzen.

Wie können Sie anhand einer kurzen Bewertung erraten, ob eine Person eine Erfahrung positiv oder negativ empfunden hat?<p>In unserer zweiten Fallstudie, der Stimmungsanalyse, werden Sie Modelle erstellen, die anhand von Eingabemerkmalen (Text der Bewertungen, Benutzerprofilinformationen,...) eine Klasse (positive/negative Stimmung) vorhersagen.Diese Aufgabe ist ein Beispiel für die Klassifizierung, einen der am weitesten verbreiteten Bereiche des maschinellen Lernens mit einer breiten Palette von Anwendungen, darunter Ad Targeting, Spam-Erkennung, medizinische Diagnose und Bildklassifizierung.</p>Sie werden die Genauigkeit Ihres Klassifizierers analysieren, einen tatsächlichen Klassifizierer in einem Jupyter-Notebook implementieren und einen ersten Versuch mit einem Kernstück der intelligenten Anwendung unternehmen, die Sie in Ihrer Abschlussarbeit erstellen und einsetzen werden.

Ein Leser interessiert sich für einen bestimmten Nachrichtenartikel und Sie möchten einen ähnlichen Artikel finden, den Sie empfehlen können. Was ist der richtige Begriff für Ähnlichkeit? Wie durchsuche ich automatisch die Dokumente, um dasjenige zu finden, das am ähnlichsten ist? Wie stelle ich die Dokumente überhaupt quantitativ dar?<p>In dieser dritten Fallstudie, dem Abrufen von Dokumenten, werden Sie verschiedene Dokumentendarstellungen und einen Algorithmus zum Abrufen der ähnlichsten Teilmenge untersuchen. Sie werden auch strukturierte Darstellungen der Dokumente in Betracht ziehen, die Artikel automatisch nach Ähnlichkeit gruppieren (z.B. Thema des Dokuments).</p>Sie werden tatsächlich ein intelligentes System zum Abrufen von Wikipedia-Einträgen in einem Jupyter-Notebook erstellen.

Haben Sie sich jemals gefragt, wie Amazon seine personalisierten Produktempfehlungen erstellt? Wie Netflix Ihnen Filme zum Anschauen vorschlägt? Wie Pandora den nächsten Song zum Streamen auswählt? Wie Facebook oder LinkedIn Menschen findet, mit denen Sie in Kontakt treten könnten? All diesen Technologien für personalisierte Inhalte liegt etwas zugrunde, das als kollaborative Filterung bezeichnet wird. <p>Sie werden lernen, wie man ein solches Empfehlungssystem mit Hilfe verschiedener Techniken aufbaut, und deren Kompromisse erforschen.</p> Eine Methode, die wir untersuchen, ist die Matrixfaktorisierung, die Merkmale von Benutzern und Produkten lernt, um Empfehlungen zu erstellen. In einem Jupyter-Notebook werden Sie diese Techniken verwenden, um ein echtes Song-Empfehlungssystem zu erstellen.

Sie haben wahrscheinlich schon gehört, dass Deep Learning als eine der vielversprechendsten Techniken des maschinellen Lernens weltweit für Schlagzeilen sorgt. Jede Branche widmet Ressourcen, um das Potenzial von Deep Learning zu erschließen, auch für Aufgaben wie Bildkennzeichnung, Objekterkennung, Spracherkennung und Textanalyse.<p>In unserer letzten Fallstudie, der Suche nach Bildern, werden Sie lernen, wie Schichten neuronaler Netze sehr anschauliche (nicht lineare) Merkmale liefern, die eine beeindruckende Leistung bei der Klassifizierung und Abfrage von Bildern erbringen. Anschließend werden Sie Deep Features konstruieren, eine Transfer-Learning-Technik, mit der Sie Deep Learning sehr einfach einsetzen können, selbst wenn Sie nur wenige Daten zum Trainieren des Modells haben.</p>Mit Hilfe von iPhython-Notebooks werden Sie einen Bildklassifikator und ein intelligentes Bildabfragesystem mit Deep Learning erstellen.

Zum Abschluss des Kurses werden wir die letzte Phase beschreiben, in der wir unsere Tools für maschinelles Lernen in einen Dienst umwandeln: die Bereitstellung.<p>Wir werden auch einige offene Herausforderungen diskutieren, vor denen der Bereich des maschinellen Lernens noch steht, und wohin sich das maschinelle Lernen unserer Meinung nach entwickeln wird. Abschließend geben wir Ihnen einen Überblick darüber, was Sie im weiteren Verlauf der Spezialisierung erwartet und welche erstaunlichen intelligenten Anwendungen uns mit der Weiterentwicklung des maschinellen Lernens noch bevorstehen.