Angewandtes maschinelles Lernen in Python | Das Universitätsnetzwerk

Beschreibung

Dieser Kurs führt den Lernenden in das angewandte maschinelle Lernen ein und konzentriert sich dabei mehr auf die Techniken und Methoden als auf die Statistiken hinter diesen Methoden. Der Kurs beginnt mit einer Diskussion darüber, wie sich maschinelles Lernen von deskriptiver Statistik unterscheidet, und stellt das Scikit-Learn-Toolkit anhand eines Tutorials vor. Die Frage der Dimensionalität von Daten wird diskutiert und die Aufgabe der Clusterung von Daten sowie der Auswertung dieser Cluster wird angegangen. Beaufsichtigte Ansätze zur Erstellung von Vorhersagemodellen werden beschrieben, und die Lernenden werden in der Lage sein, die Vorhersagemodellierungsmethoden von Scikit Learn anzuwenden und dabei Prozessprobleme im Zusammenhang mit der Generalisierbarkeit von Daten (z. B. Kreuzvalidierung, Überanpassung) zu verstehen. Der Kurs endet mit einem Blick auf fortgeschrittenere Techniken wie den Aufbau von Ensembles und die praktischen Grenzen von Vorhersagemodellen. Am Ende dieses Kurses werden die Studierenden in der Lage sein, den Unterschied zwischen einer überwachten (Klassifizierung) und einer unbeaufsichtigten (Clustering)-Technik zu erkennen, herauszufinden, welche Technik sie für einen bestimmten Datensatz und Bedarf anwenden müssen, Funktionen zu entwickeln, um diesen Bedarf zu erfüllen, und Schreiben Sie Python-Code, um eine Analyse durchzuführen.

Dieser Kurs sollte nach „Einführung in Data Science in Python“ und „Applied Plotting, Charting & Data Representation in Python“ und vor „Applied Text Mining in Python“ und „Applied Social Analysis in Python“ belegt werden.