Zu Beginn des Kurses werden wir uns mit Support-Vektor-Maschinen (SVMs) befassen. SVMs haben sich im Bereich des statistischen Lernens zu einer beliebten Methode entwickelt, da sie nichtlineare und hochdimensionale Daten verarbeiten können. SVMs zielen darauf ab, den Abstand – also die Distanz zwischen der Entscheidungsgrenze und den nächstgelegenen Datenpunkten – zu maximieren, um die Generalisierungsleistung zu verbessern. Im Laufe der Woche lernen Sie, wie Sie SVMs anwenden, um Ergebnisse in einem gegebenen Datensatz zu klassifizieren oder vorherzusagen, geeignete Kernel-Funktionen und Parameter auszuwählen und die Modellleistung zu bewerten.

Neuronale Netze haben im Bereich des statistischen Lernens aufgrund ihrer Fähigkeit, komplexe Zusammenhänge in Daten zu modellieren, zunehmend an Bedeutung gewonnen. In diesem Modul behandeln wir einführende Konzepte neuronaler Netze, wie beispielsweise Aktivierungsfunktionen und Backpropagation. Sie haben die Möglichkeit, neuronale Netze zur Klassifizierung oder Vorhersage von Ergebnissen in einem vorgegebenen Datensatz anzuwenden und die Modellleistung in den Übungen dieses Moduls zu bewerten.

Willkommen zum letzten Modul des Kurses. Dieses Modul konzentriert sich auf die Ensemble-Methoden „Entscheidungsbäume“, „Bagging“ und „Random Forests“, bei denen mehrere Modelle kombiniert werden, um die Vorhersagegenauigkeit zu verbessern und das Überanpassen zu verringern. Entscheidungsbäume sind eine beliebte Methode des maschinellen Lernens, bei der der Merkmalsraum in kleinere Bereiche unterteilt wird und die Antwortvariable in jedem Bereich mithilfe einfacher Regeln modelliert wird. Entscheidungsbäume können jedoch unter hoher Varianz und Instabilität leiden, was durch Bagging und Random Forests behoben werden kann. Beim Bagging werden mehrere Bäume auf der Grundlage von Bootstrap-Stichproben der Daten generiert und deren Vorhersagen gemittelt, während Random Forests die Bäume weiter entkorrelieren, indem für jeden Baum zufällig Teilmengen von Merkmalen ausgewählt werden.