In diesem Modul werden wir Ihre Kenntnisse in Statistik und Wahrscheinlichkeit auffrischen und dabei den Schwerpunkt auf Python-Praktiken zur Anwendung dieser Konzepte legen. Sie werden Datentypen, wichtige statistische Maße, gängige Datenverteilungen und fortgeschrittene Visualisierungen kennenlernen und dabei mit Python-Bibliotheken wie Matplotlib und Seaborn arbeiten. Darüber hinaus lernen Sie grundlegende Wahrscheinlichkeitskonzepte wie Kovarianz, Korrelation, bedingte Wahrscheinlichkeit und Bayes' Theorem kennen und wenden diese in realen Beispielen an.

In diesem Modul tauchen wir in die Welt der prädiktiven Modellierung ein und beginnen mit linearer und polynomialer Regression, um Vorhersagen aus Stichproben zu treffen. Außerdem lernen Sie, wie Sie mit multiplen Regressionsmodellen in Python arbeiten, um Werte auf der Basis mehrerer Attribute, wie z. B. Autopreise, vorherzusagen. Schließlich werden wir Sie in das Konzept der mehrstufigen Modelle einführen und Ihnen einen Einblick in diesen fortgeschrittenen Modellierungsansatz geben.

In diesem Modul führen wir Sie durch verschiedene Konzepte und Techniken des Maschinellen Lernens mit Python, beginnend mit überwachtem und unüberwachtem Lernen. Sie werden lernen, Modelle wie Naive Bayes, K-Means Clustering und Entscheidungsbäume zu implementieren, während Sie auch in fortgeschrittenere Methoden wie XGBoost und Support Vector Machines (SVM) eintauchen. Darüber hinaus behandeln wir Ensemble Learning und die Kombination mehrerer Modelle, um bessere Ergebnisse zu erzielen. So erhalten Sie das Rüstzeug, um eine Reihe von Aufgaben des Maschinellen Lernens zu bewältigen.

In diesem Modul werden wir die Kernkonzepte von Empfehlungssystemen erforschen, wobei wir uns sowohl auf benutzer- als auch auf artikelbasierte Techniken des Kollaborativen Filterns konzentrieren. Sie werden mit realen Datensätzen arbeiten, wie z. B. MovieLens, um Cosinusähnlichkeit anzuwenden und Ihr eigenes Filmempfehlungssystem zu erstellen. Wir werden Sie auch bei der Verfeinerung der Genauigkeit Ihrer Empfehlungen anleiten und Ihnen Möglichkeiten bieten, das System mit Ihren eigenen Ideen zu verbessern.