Beschreibung Diese Spezialisierung richtet sich an Fachleute, die die Begeisterung für maschinelles Lernen kennengelernt haben und maschinelles Lernen auf die Datenanalyse und Automatisierung anwenden möchten. Ob Finanzen, Medizin, Ingenieurwesen, Wirtschaft oder andere Bereiche – mit dieser Spezialisierung sind Sie in der Lage, eine erfolgreiche Anwendung für maschinelles Lernen zu definieren, zu trainieren und zu warten. Nachdem Sie alle vier Kurse abgeschlossen haben,…
Beschreibung Dieser Kurs fasst alles zusammen, was Sie in der Spezialisierung auf angewandtes maschinelles Lernen gelernt haben. Sie werden nun ein komplettes Machine-Learning-Projekt durchlaufen, um eine Roadmap für die Wartung des Machine-Learnings vorzubereiten. Sie verstehen und analysieren den Umgang mit sich ändernden Daten. Sie werden außerdem in der Lage sein, potenzielle unbeabsichtigte Auswirkungen in… zu erkennen und zu interpretieren.
Beschreibung Dieser Kurs richtet sich an Fachleute, die die Begeisterung für maschinelles Lernen kennengelernt haben und maschinelles Lernen auf die Datenanalyse und Automatisierung anwenden möchten. Ob Finanzen, Medizin, Ingenieurwesen, Wirtschaft oder andere Bereiche – dieser Kurs führt Sie in die Problemdefinition und Datenaufbereitung in einem maschinellen Lernprojekt ein. Am Ende des Kurses…
Beschreibung Dieser Kurs vermittelt Ihnen das Verständnis der Grundlagen eines maschinellen Lernprojekts. Die Lernenden werden überwachte Lerntechniken anhand realer Fallstudien verstehen und anwenden, um Geschäftsfallszenarien zu analysieren, in denen Entscheidungsbäume, k-nächste Nachbarn und Support-Vektor-Maschinen optimal genutzt werden. Die Lernenden erwerben auch die Fähigkeit, die praktischen Konsequenzen verschiedener… zu vergleichen.
Beschreibung In diesem Kurs dreht sich alles um Daten und darum, wie wichtig sie für den Erfolg Ihres angewandten maschinellen Lernmodells sind. Der Abschluss dieses Kurses vermittelt den Lernenden die Fähigkeiten, die kritischen Elemente von Daten in der Lern-, Trainings- und Betriebsphase zu verstehen. Vorurteile und Datenquellen zu verstehen. Techniken zur Verbesserung der Allgemeingültigkeit zu implementieren.