In diesem 2-stündigen projektbasierten Kurs lernen Sie, wie man Anomalie-Erkennung durchführt, wie wichtig sie für das maschinelle Lernen ist, wie man die Anomalie-Erkennung mit PyCaret einrichtet, Algorithmen zur Anomalie-Erkennung erstellt, visualisiert und vergleicht - und das alles mit nur wenigen Zeilen Code.
Maschinelles Lernen - Anomalie-Erkennung mit PyCaret
Zum Labor Day gibt es bei Coursera Plus Rabatte von über 70 $. Sparen Sie 3 Monate lang 40 %.
Maschinelles Lernen - Anomalie-Erkennung mit PyCaret
Dozent: Muhammad Saad uddin
1.558 bereits angemeldet
Bei Mehr erfahren enthalten
Fragen Sie Coursera
Erwerben Sie praxisrelevante Kompetenzen unter Anleitung von Experten, üben Sie sich in ihrer Anwendung und wenden Sie sie schließlich an.
3.8
(18 Bewertungen)
Stufe Mittel
Empfohlene Erfahrung
2 Stunden
In Ihrem eigenen Lerntempo lernen
Praktisches Lernen
Was Sie lernen werden
Modelle zur Erkennung von Anomalien
Kompetenzen, die Sie festigen
- Kategorie: Explorative Datenanalyse
- Kategorie: Angewandtes maschinelles Lernen
- Kategorie: Erkennung von Anomalien
- Kategorie: Methoden des maschinellen Lernens
- Kategorie: Vorverarbeitung von Daten
- Kategorie: Maschinelles Lernen
- Kategorie: Modell Ausbildung
- Kategorie: Unüberwachtes Lernen
- Kategorie: Wissenschaftliche Visualisierung
- Kategorie: Datenanalyse
- Kategorie: Datenvisualisierung
- Kategorie: Bewertung des Modells
- Kategorie: Entwicklungsumgebung
Tools, die Sie verwenden werden
- Kategorie: Modell-Einsatz
- Kategorie: Jupyter
Wichtige Details
Zertifikat zur Vorlage
Zu Ihrem LinkedIn-Profil hinzufügen
Unterrichtet in Englisch
Keine Downloads oder Installation erforderlich
Nur als Desktop-Version verfügbar
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Lernen, Üben und Anwenden von berufsrelevanten Fähigkeiten in weniger als 2 Stunden
- Nehmen Sie an Schulungen von Branchenexperten teil
- Sammeln Sie mit Aufgaben aus der realen Welt praktische Erfahrung
- Schaffen Sie Vertrauen durch neueste Tools und Technologien
Über dieses begleitete Projekt
Schritt für Schritt lernen
In einem Video, das auf einer Hälfte Ihres Arbeitsbereichs abgespielt wird, führt Sie Ihr Dozent durch diese Schritte:
1. Datenimport und explorative Analyse zur Erkennung von Anomalien
2. Einrichtung der PyCaret-Umgebung zur Erkennung von Anomalien
3. Modelle auswählen und erstellen
4. Anomalien in Modellen vergleichen
5. Visualisieren, Entscheidung interpretieren und das Modell speichern
Empfohlene Erfahrung
Grundkenntnisse in Python und den Grundlagen des maschinellen Lernens
5 Projektbilder
Dozent
3 Kurse9.874 Lernende
von
Was Sie beim Lernen erwartet
Auf Kompetenzen basierendes, praktisches Lernen
Üben Sie die Anwendung neuer Kompetenzen anhand von berufsbezogenen Aufgabenstellungen.
Anleitung durch Experten
Lernen Sie mit vorab von Experten aufgezeichneten Videos in einer einzigartigen aufgeteilten Oberfläche.
Keine Downloads oder Installation erforderlich
Greifen Sie in einem vordefinierten Cloud-Arbeitsbereich auf die Tools und Ressourcen zu.
Nur für Desktop verfügbar
Dieses begleitete Projekt ist für die Bearbeitung an einem Laptop oder Desktop-Computer mit stabiler Internetverbindung konzipiert und nicht für Mobilgeräte.
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“
Ihnen könnte auch Folgendes gefallen:
Status: KostenlosCoursera
Status: Kostenloser TestzeitraumMacquarie University
Status: Kostenloser Testzeitraum
Status: Kostenloser Testzeitraum
