In diesem Modul befassen wir uns mit dem Konzept des Clustering, einer grundlegenden Technik der Datenanalyse und des Maschinellen Lernens. Beim Clustering wird eine Menge von Objekten so gruppiert, dass die Objekte in derselben Gruppe (oder Cluster) einander ähnlicher sind als die in anderen Gruppen. Dieses Modul bietet eine umfassende Erkundung des Clustering, einschließlich seiner verschiedenen Ableitungen, wie hierarchisches Clustering und K-Means.

Die Regression ist ein Eckpfeiler des Maschinellen Lernens, insbesondere bei der Arbeit mit kontinuierlichen Variablen, und ist für die Modellierung von Beziehungen zwischen Variablen und die Vorhersage von Ergebnissen unerlässlich. In diesem Modul werden wir die grundlegenden Prinzipien der Regression erforschen, wobei der Schwerpunkt auf der linearen Regression liegt.

In diesem Modul werden wir uns mit Klassifizierungstechniken befassen, einem entscheidenden Aspekt des Überwachten Lernens beim Maschinellen Lernen. Klassifizierung ist der Prozess der Zuordnung von Etiketten zu Eingabedaten auf der Basis ihrer Merkmale und wird häufig für Aufgaben wie Spam-Erkennung, medizinische Diagnose und Bilderkennung verwendet. In diesem Modul werden wir verschiedene wichtige Klassifizierungsmethoden untersuchen, darunter Logistische Regression, Entscheidungsbäume, Random Forest und Support Vector Machines (SVM). Jede dieser Techniken bietet einzigartige Stärken und eignet sich für unterschiedliche Datentypen und Problemkontexte. Am Ende dieses Moduls werden Sie genau wissen, wie diese Algorithmen zur Klassifizierung funktionieren, wie sie implementiert werden und wie Sie die richtige Methode für Ihre speziellen Herausforderungen im Bereich des überwachten Lernens auswählen können.

Dieses letzte Modul befasst sich mit Neuronalen Netzen und ihrer Anwendung auf Klimadaten, vor allem mit verschiedenen Aktivierungsfunktionen, Schichten, Neuronen und Architekturen des Netzes.