Grundlagen des maschinellen Lernens: Ein Fallstudienansatz

Beschreibung

Haben Sie Daten und fragen sich, was diese Ihnen sagen können? Benötigen Sie ein tieferes Verständnis der wichtigsten Möglichkeiten, wie maschinelles Lernen Ihr Unternehmen verbessern kann? Möchten Sie sich mit Spezialisten über alles von Regression und Klassifizierung bis hin zu Deep Learning und Empfehlungssystemen unterhalten können?

In diesem Kurs sammeln Sie anhand einer Reihe praktischer Fallstudien praktische Erfahrungen mit maschinellem Lernen. Am Ende des ersten Kurses haben Sie gelernt, wie Sie Immobilienpreise anhand von Merkmalen auf Hausebene vorhersagen, die Stimmung anhand von Benutzerbewertungen analysieren, interessante Dokumente abrufen, Produkte empfehlen und nach Bildern suchen. Durch praktisches Üben dieser Anwendungsfälle werden Sie in der Lage sein, Methoden des maschinellen Lernens in einer Vielzahl von Bereichen anzuwenden.

In diesem ersten Kurs wird die Methode des maschinellen Lernens als Blackbox behandelt. Mithilfe dieser Abstraktion konzentrieren Sie sich darauf, interessante Aufgaben zu verstehen, diese Aufgaben maschinellen Lernwerkzeugen zuzuordnen und die Qualität der Ausgabe zu bewerten. In den folgenden Kursen vertiefen Sie sich in die Komponenten dieser Black Box, indem Sie Modelle und Algorithmen untersuchen. Zusammen bilden diese Teile die Pipeline für maschinelles Lernen, die Sie bei der Entwicklung intelligenter Anwendungen verwenden werden.

Lernergebnisse: Am Ende dieses Kurses können Sie:
-Identifizieren Sie mögliche Anwendungen des maschinellen Lernens in der Praxis.
-Beschreiben Sie die Hauptunterschiede bei Analysen, die durch Regression, Klassifizierung und Clustering ermöglicht werden.
-Wählen Sie die geeignete maschinelle Lernaufgabe für eine potenzielle Anwendung aus.
-Anwenden von Regression, Klassifizierung, Clustering, Retrieval, Empfehlungssystemen und Deep Learning.
-Stellen Sie Ihre Daten als Features dar, die als Eingabe für Modelle des maschinellen Lernens dienen.
-Bewerten Sie die Modellqualität anhand relevanter Fehlermetriken für jede Aufgabe.
-Verwenden Sie einen Datensatz, um ihn an ein Modell anzupassen, um neue Daten zu analysieren.
-Erstellen Sie eine End-to-End-Anwendung, die im Kern maschinelles Lernen nutzt.
-Implementieren Sie diese Techniken in Python.