Fallstudie - Vorhersage von Wohnungspreisen In unserer ersten Fallstudie, der Vorhersage von Wohnungspreisen, werden Sie Modelle erstellen, die einen kontinuierlichen Wert (Preis) anhand von Eingabemerkmalen (Quadratmeterzahl, Anzahl der Schlafzimmer und Bäder,...) vorhersagen. Dies ist nur einer der vielen Anwendungsbereiche für die Regression. Andere Anwendungen reichen von der Vorhersage von Gesundheitsergebnissen in der Medizin, Aktienkursen im Finanzwesen und der Leistungsaufnahme im Hochleistungscomputing bis hin zur Analyse, welche Regulatoren für die Genexpression wichtig sind. In diesem Kurs werden Sie regularisierte lineare Regressionsmodelle für die Aufgabe der Vorhersage und Merkmalsauswahl untersuchen. Sie werden in der Lage sein, mit sehr großen Mengen von Merkmalen umzugehen und zwischen Modellen unterschiedlicher Komplexität zu wählen. Sie werden auch die Auswirkungen von Aspekten Ihrer Daten - wie z.B. Ausreißern - auf die von Ihnen ausgewählten Modelle und Vorhersagen analysieren. Um diese Modelle anzupassen, werden Sie Optimierungsalgorithmen implementieren, die für große Datensätze geeignet sind. Lernergebnisse: Am Ende dieses Kurses werden Sie in der Lage sein: -Beschreiben Sie die Eingabe und Ausgabe eines Regressionsmodells. -Vergleichen und kontrastieren Sie Bias und Varianz bei der Modellierung von Daten. -Schätzen Sie die Modellparameter mit Hilfe von Optimierungsalgorithmen. -Stimmen Sie die Parameter mit Kreuzvalidierung ab. -Analysieren Sie die Leistung des Modells. -Beschreiben Sie den Begriff der Sparsamkeit und wie LASSO zu spärlichen Lösungen führt. -Wenden Sie Methoden an, um zwischen Modellen auszuwählen. -Nutzen Sie das Modell für Vorhersagen.

-Erstellen Sie ein Regressionsmodell zur Vorhersage von Preisen anhand eines Datensatzes für Wohnimmobilien. - Implementieren Sie diese Techniken in Python.

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).

Fallstudien: Ähnliche Dokumente finden Ein Leser ist an einem bestimmten Nachrichtenartikel interessiert und Sie möchten ähnliche Artikel finden, die Sie empfehlen können. Was ist der richtige Begriff von Ähnlichkeit? Und was ist, wenn es Millionen von anderen Dokumenten gibt? Müssen Sie jedes Mal, wenn Sie ein neues Dokument abrufen wollen, alle anderen Dokumente durchsuchen? Wie können Sie ähnliche Dokumente zusammenfassen? Wie entdecken Sie neue, aufkommende Themen, die in den Dokumenten behandelt werden?

In dieser dritten Fallstudie, der Suche nach ähnlichen Dokumenten, werden Sie auf Ähnlichkeit basierende Algorithmen für den Abruf untersuchen. In diesem Kurs werden Sie auch strukturierte Darstellungen zur Beschreibung der Dokumente im Korpus untersuchen, einschließlich Clustering und gemischte Zugehörigkeitsmodelle, wie die latente Dirichlet-Zuordnung (LDA). Sie werden die Erwartungsmaximierung (EM) implementieren, um die Clusterung der Dokumente zu erlernen, und sehen, wie Sie die Methoden mit MapReduce skalieren können. Lernergebnisse: Am Ende dieses Kurses werden Sie in der Lage sein: - Ein System zur Dokumentensuche mit k-nearest neighbors zu erstellen. - Verschiedene Ähnlichkeitsmetriken für Textdaten zu identifizieren. - Berechnungen bei der Suche nach k-nearest neighbors mit Hilfe von KD-Bäumen zu reduzieren. - Näherungsweise nächste Nachbarn mit Hilfe von lokalsensitivem Hashing zu erzeugen. - Überwachtes und unüberwachtes Lernen zu vergleichen und gegenüberzustellen. - Dokumente mit Hilfe von k-means nach Themen zu clustern. - Zu beschreiben, wie k-means mit MapReduce parallelisiert werden kann. -Untersuchen Sie probabilistische Clustering-Ansätze unter Verwendung von Mischungsmodellen. -Fitten Sie ein Gauß-Mischungsmodell unter Verwendung von Erwartungsmaximierung (EM). -Modellieren Sie gemischte Zugehörigkeiten unter Verwendung von Latent-Dirichlet-Allokation (LDA). -Beschreiben Sie die Schritte eines Gibbs-Samplers und wie Sie seine Ergebnisse verwenden, um Schlussfolgerungen zu ziehen. -Vergleichen und kontrastieren Sie Initialisierungstechniken für nicht-konvexe Optimierungsziele. -Implementieren Sie diese Techniken in Python.