In diesem Modul konzentrieren wir uns auf reale Herausforderungen bei der Datenvorverarbeitung, wie z. B. Kompromisse zwischen Bias und Varianz, Datenbereinigung und Umgang mit fehlenden oder unausgewogenen Daten. Sie werden auch Schlüsseltechniken wie K-Fold Kreuzvalidierung, Feature Engineering und Ausreißer-Erkennung kennenlernen. Anhand praktischer Übungen zeigen wir Ihnen, wie Sie Daten bereinigen, umwandeln und normalisieren können, um die Leistung Ihrer Modelle für Maschinelles Lernen zu verbessern.

In diesem Modul stellen wir Ihnen Apache Spark vor, ein leistungsstarkes Tool für die Verarbeitung von Big Data und maschinelles Lernen. Sie werden praktische Erfahrungen mit der Installation von Spark und der Implementierung von Modellen des Maschinellen Lernens mit MLLib sammeln, einschließlich Entscheidungsbäumen, K-Means Clustering und Textsuchtechniken. Wir werden auch die neue DataFrame API erforschen und demonstrieren, wie sie Ihre Fähigkeit, mit Big Data effizient zu arbeiten, verbessert.

In diesem Modul konzentrieren wir uns auf die Anwendung von Techniken des Maschinellen Lernens in der realen Welt, insbesondere durch Methoden des Experimentellen Designs wie A/B-Tests. Sie werden lernen, wie Sie Modelle des Maschinellen Lernens in Produktionsumgebungen bereitstellen und den Erfolg Ihrer Experimente mit statistischen Tools wie T-Tests und P-Werten messen. Wir werden auch auf die Herausforderungen bei der Durchführung von Experimenten eingehen, einschließlich des Verständnisses der Testdauer und der Vermeidung von häufigen Fehlern, die zu falschen Schlussfolgerungen führen können.

In diesem Modul werden wir tief in die Welt der neuronalen Netzwerke und des Deep Learning eintauchen und alles von den grundlegenden Prinzipien und der Geschichte bis hin zu fortgeschrittenen Techniken, die in der modernen KI verwendet werden, abdecken. Sie werden praktische Erfahrungen beim Aufbau und Training neuronaler Netzwerke mit TensorFlow und Keras sammeln, einschließlich CNNs für die Bilderkennung und RNNs für die Sequenzanalyse. Darüber hinaus werden wir wichtige Optimierungsmethoden und Transfer Learning erforschen und die ethischen Überlegungen zum Einsatz von Deep Learning-Technologien diskutieren.