In diesem Kurs lernen Sie die Grundlagen eines Projekts zum maschinellen Lernen kennen. Die Lernenden werden Techniken des überwachten Lernens verstehen und an realen Fallstudien anwenden, um Geschäftsszenarien zu analysieren, in denen Entscheidungsbäume, k-nearest neighbours und Support Vector Machines optimal eingesetzt werden. Die Teilnehmer werden auch in die Lage versetzt, die praktischen Konsequenzen verschiedener Datenaufbereitungsschritte zu vergleichen und häufige Produktionsprobleme in der angewandten ML zu beschreiben. Um erfolgreich zu sein, sollten Sie mindestens über Anfängerkenntnisse in der Python-Programmierung verfügen (z.B. sollten Sie in der Lage sein, bestehenden Code zu lesen und zu programmieren, und mit Konditionalen, Schleifen, Variablen, Listen, Wörterbüchern und Arrays umgehen können). Sie sollten ein Grundverständnis der linearen Algebra (Vektorschreibweise) und der Statistik (Wahrscheinlichkeitsverteilungen und Mittelwert/Mittelwert/Modus) haben. Dies ist der zweite Kurs der Applied Machine Learning Specializations, die von Coursera und dem Alberta Machine Intelligence Institute angeboten wird.

In diesem Kurs dreht sich alles um Daten und wie diese für den Erfolg Ihres angewandten maschinellen Lernmodells entscheidend sind. Nach Abschluss dieses Kurses verfügen Sie über folgende Fähigkeiten: Verstehen der kritischen Elemente von Daten in den Lern-, Trainings- und Betriebsphasen Verstehen von Verzerrungen und Datenquellen Implementieren von Techniken zur Verbesserung der Allgemeingültigkeit Ihres Modells Erklären der Folgen von Overfitting und Identifizieren von Abhilfemaßnahmen Implementieren geeigneter Test- und Validierungsmaßnahmen Demonstrieren, wie die Genauigkeit Ihres Modells durch durchdachtes Feature-Engineering verbessert werden kann Erforschen des Einflusses von Algorithmusparametern auf die Stärke des Modells Um diesen Kurs erfolgreich zu absolvieren, sollten Sie mindestens über Grundkenntnisse in der Python-Programmierung verfügen (z.B., sie sollten in der Lage sein, vorhandenen Code zu lesen und nachzuvollziehen, und Sie sollten mit Konditionalen, Schleifen, Variablen, Listen, Wörterbüchern und Arrays vertraut sein). Sie sollten ein Grundverständnis der linearen Algebra (Vektornotation) und der Statistik (Wahrscheinlichkeitsverteilungen und Mittelwert/Mittelwert/Modus) haben. Dies ist der dritte Kurs der Applied Machine Learning Specializations, die von Coursera und dem Alberta Machine Intelligence Institute angeboten wird.

Dieser Kurs fasst alles zusammen, was Sie in der Spezialisierung auf angewandtes maschinelles Lernen gelernt haben. Sie werden nun ein komplettes maschinelles Lernprojekt durchlaufen, um einen Wartungsplan für maschinelles Lernen zu erstellen. Sie werden verstehen und analysieren, wie man mit sich ändernden Daten umgeht. Sie werden auch in der Lage sein, potenzielle unbeabsichtigte Auswirkungen in Ihrem Projekt zu identifizieren und zu interpretieren. Sie werden die Verfahren zur Operationalisierung und Wartung Ihres angewandten maschinellen Lernmodells verstehen und definieren. Am Ende dieses Kurses verfügen Sie über alle Werkzeuge und Kenntnisse, die Sie benötigen, um ein maschinelles Lernprojekt selbstbewusst einzuführen und es in Ihrem Unternehmenskontext zu optimieren.

Um erfolgreich zu sein, sollten Sie mindestens über Grundkenntnisse in der Python-Programmierung verfügen (z.B. sollten Sie in der Lage sein, vorhandenen Code zu lesen und nachzuvollziehen, und mit Konditionalen, Schleifen, Variablen, Listen, Wörterbüchern und Arrays umgehen können). Sie sollten ein Grundverständnis der linearen Algebra (Vektornotation) und der Statistik (Wahrscheinlichkeitsverteilungen und Mittelwert/Mittelwert/Modus) haben. Dies ist der letzte Kurs der Applied Machine Learning Specializations, die von Coursera und dem Alberta Machine Intelligence Institute (Amii) angeboten wird.