Dieser Kurs führt Sie in eine der wichtigsten Arten von Modellierungsfamilien des überwachten maschinellen Lernens ein: Regression. Sie lernen, wie man Regressionsmodelle trainiert, um kontinuierliche Ergebnisse vorherzusagen, und wie man Fehlermetriken verwendet, um verschiedene Modelle miteinander zu vergleichen. Am Ende dieses Kurses sollten Sie in der Lage sein: Die Verwendungszwecke und Anwendungen von Klassifizierung und Regression im Kontext des überwachten maschinellen Lernens zu unterscheiden Lineare Regressionsmodelle zu beschreiben und zu verwenden Verschiedene Fehlermetriken zu vergleichen und ein lineares Regressionsmodell auszuwählen, das am besten zu Ihren Daten passt Erklären Sie, warum Regularisierung helfen kann, eine Überanpassung zu verhindern Verwenden Sie Regularisierungsregressionen: Ridge, LASSO und Elastic net Wer sollte diesen Kurs besuchen? Dieser Kurs richtet sich an angehende Datenwissenschaftler, die praktische Erfahrungen mit Regressionstechniken des überwachten maschinellen Lernens in einem geschäftlichen Umfeld sammeln möchten. Welche Kenntnisse sollten Sie mitbringen? Um diesen Kurs optimal nutzen zu können, sollten Sie mit der Programmierung in einer Python-Entwicklungsumgebung vertraut sein und über ein grundlegendes Verständnis von Datenbereinigung, explorativer Datenanalyse, Kalkül, linearer Algebra, Wahrscheinlichkeitsrechnung und Statistik verfügen.