Fallstudien: Analyse von Stimmungen & Vorhersage von Kreditausfällen In unserer Fallstudie zur Analyse von Stimmungen erstellen Sie Modelle, die eine Klasse (positive/negative Stimmung) anhand von Eingabemerkmalen (Text der Bewertungen, Benutzerprofilinformationen,...) vorhersagen. In unserer zweiten Fallstudie für diesen Kurs, der Vorhersage von Kreditausfällen, werden Sie sich mit Finanzdaten beschäftigen und vorhersagen, wann ein Kredit für die Bank wahrscheinlich riskant oder sicher ist. Diese Aufgaben sind Beispiele für die Klassifizierung, eines der am häufigsten verwendeten Gebiete des maschinellen Lernens mit einer breiten Palette von Anwendungen, darunter Ad Targeting, Spam-Erkennung, medizinische Diagnose und Bildklassifizierung.
In diesem Kurs werden Sie Klassifikatoren erstellen, die bei einer Vielzahl von Aufgaben eine Spitzenleistung erbringen. Sie werden mit den erfolgreichsten Techniken vertraut gemacht, die in der Praxis am häufigsten eingesetzt werden, darunter logistische Regression, Entscheidungsbäume und Boosting. Darüber hinaus werden Sie in der Lage sein, die zugrundeliegenden Algorithmen zu entwerfen und zu implementieren, mit denen diese Modelle unter Verwendung des stochastischen Gradientenanstiegs in großem Maßstab erlernt werden können. Sie werden diese Techniken bei realen, groß angelegten Aufgaben des maschinellen Lernens implementieren. Sie werden sich auch mit wichtigen Aufgaben befassen, mit denen Sie bei realen Anwendungen von ML konfrontiert werden, wie z.B. dem Umgang mit fehlenden Daten und der Messung von Präzision und Recall zur Bewertung eines Klassifikators. Dieser Kurs ist praxisorientiert, voller Action und voller Visualisierungen und Illustrationen, die zeigen, wie sich diese Techniken bei echten Daten verhalten. Wir haben außerdem optionale Inhalte in jedes Modul aufgenommen, die fortgeschrittene Themen für diejenigen behandeln, die noch tiefer einsteigen möchten!
Lernziele: Am Ende dieses Kurses werden Sie in der Lage sein: -Beschreiben Sie die Eingabe und Ausgabe eines Klassifizierungsmodells. -Bearbeiten Sie sowohl binäre als auch Mehrklassen-Klassifizierungsprobleme. -Implementieren Sie ein logistisches Regressionsmodell für eine umfangreiche Klassifizierung.
-Erstellen Sie ein nicht-lineares Modell mit Hilfe von Entscheidungsbäumen. Verbessern Sie die Leistung eines beliebigen Modells mit Boosting. Skalieren Sie Ihre Methoden mit stochastischem Gradientenanstieg. Beschreiben Sie die zugrunde liegenden Entscheidungsgrenzen.
-Erstellen Sie ein Klassifizierungsmodell zur Vorhersage der Stimmung in einem Datensatz für Produktbewertungen.
-Analysieren Sie Finanzdaten, um Kreditausfälle vorherzusagen. -Verwenden Sie Techniken für den Umgang mit fehlenden Daten. -Evaluieren Sie Ihre Modelle anhand von Präzisions-Wiedererkennungs-Metriken. -Implementieren Sie diese Techniken in Python (oder in einer Sprache Ihrer Wahl, wobei Python sehr zu empfehlen ist).
