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.

Dieser Kurs führt Sie in eine der wichtigsten Arten von Modellierungsfamilien des überwachten maschinellen Lernens ein: Klassifizierung. Sie lernen, wie Sie prädiktive Modelle trainieren, um kategoriale Ergebnisse zu klassifizieren und wie Sie Fehlermetriken verwenden, um verschiedene Modelle zu vergleichen. Der praktische Teil dieses Kurses konzentriert sich auf die Anwendung von Best Practices für die Klassifizierung, einschließlich der Aufteilung in Training und Test und den Umgang mit Datensätzen mit unausgewogenen Klassen.

Am Ende dieses Kurses sollten Sie in der Lage sein: - Einsatz und Anwendungen von Klassifizierungs- und Klassifizierungs-Ensembles zu unterscheiden - logistische Regressionsmodelle zu beschreiben und zu verwenden - Entscheidungsbaum- und Baum-Ensemble-Modelle zu beschreiben und zu verwenden - andere Ensemble-Methoden für die Klassifizierung zu beschreiben und zu verwenden - eine Vielzahl von Fehlermetriken zu vergleichen und das Klassifizierungsmodell auszuwählen, das am besten zu Ihren Daten passt - Oversampling und Undersampling als Techniken zu verwenden, um unausgewogene Klassen in einem Datensatz zu behandeln Wer sollte diesen Kurs besuchen? Dieser Kurs richtet sich an angehende Datenwissenschaftler, die praktische Erfahrungen mit Klassifizierungstechniken 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.

Dieser Kurs führt Sie in eine der wichtigsten Arten des maschinellen Lernens ein: Unüberwachtes Lernen. Sie lernen, wie Sie Erkenntnisse aus Datensätzen gewinnen können, für die es keine Zielvariable oder markierte Variable gibt. Sie lernen verschiedene Clustering- und Dimensionsreduktionsalgorithmen für unüberwachtes Lernen kennen und erfahren, wie Sie den Algorithmus auswählen, der am besten zu Ihren Daten passt. Der praktische Teil dieses Kurses konzentriert sich auf die Anwendung von Best Practices für unüberwachtes Lernen. Am Ende dieses Kurses sollten Sie in der Lage sein: die Arten von Problemen zu erklären, die sich für Ansätze des unüberwachten Lernens eignen den Fluch der Dimensionalität zu erklären und wie er das Clustering bei vielen Merkmalen erschwert gängige Algorithmen für Clustering und Dimensionsreduktion zu beschreiben und zu verwenden gegebenenfalls Clustering-Punkte auszuprobieren und die Leistung von Modellen pro Cluster zu vergleichen die für die Charakterisierung von Clustern relevanten Metriken zu verstehen Wer sollte diesen Kurs besuchen?

Dieser Kurs richtet sich an angehende Datenwissenschaftler, die praktische Erfahrungen mit Techniken des unüberwachten 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.

Dieser Kurs führt Sie in zwei der begehrtesten Disziplinen des maschinellen Lernens ein: Deep Learning und Reinforcement Learning. Deep Learning ist ein Teilbereich des maschinellen Lernens, der sowohl beim überwachten als auch beim unüberwachten Lernen Anwendung findet und häufig für die meisten KI-Anwendungen eingesetzt wird, die wir täglich nutzen. Zunächst lernen Sie die Theorie der Neuronalen Netze kennen, die die Grundlage des Deep Learning bilden, sowie verschiedene moderne Architekturen des Deep Learning. Sobald Sie einige Deep Learning-Modelle entwickelt haben, wird sich der Kurs auf Reinforcement Learning konzentrieren, eine Art des maschinellen Lernens, die in letzter Zeit mehr Aufmerksamkeit erregt hat. Obwohl Reinforcement Learning derzeit nur wenige praktische Anwendungen hat, ist es ein vielversprechender Bereich der KI-Forschung, der in naher Zukunft relevant werden könnte. Nach diesem Kurs werden Sie, wenn Sie die Kurse der IBM Specializations in der richtigen Reihenfolge besucht haben, über eine beträchtliche Praxis und ein solides Verständnis der wichtigsten Arten des maschinellen Lernens verfügen: Überwachtes Lernen, Unüberwachtes Lernen, Deep Learning und Verstärkungslernen. Am Ende dieses Kurses sollten Sie in der Lage sein: die Arten von Problemen zu erklären, die sich für Ansätze des Unüberwachten Lernens eignen den Fluch der Dimensionalität zu erklären und wie er das Clustering bei vielen Merkmalen erschwert gängige Algorithmen zum Clustering und zur Dimensionalitätsreduktion zu beschreiben und zu verwenden ggf. Clustering-Punkte auszuprobieren und die Leistung von Modellen pro Cluster zu vergleichen Metriken zu verstehen, die für die Charakterisierung von Clustern relevant sind Wer sollte diesen Kurs besuchen?

Dieser Kurs richtet sich an angehende Datenwissenschaftler, die praktische Erfahrungen mit Deep Learning und Reinforcement Learning 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 grundlegende Kenntnisse in den Bereichen Datenbereinigung, explorative Datenanalyse, unüberwachtes Lernen, überwachtes Lernen, Kalkül, lineare Algebra, Wahrscheinlichkeitsrechnung und Statistik besitzen.