Machine Learning von A-Z: Lerne Python & R für Data Science!
Wenn du mich unterstützen möchtest: Wenn du den Kurs über den Link von mir hier kaufst, erhalte ich von Udemy eine höhere Verkaufs-Provision, als wenn der Kurs über die Platform aufgerufen und gekauft wird.
Udemy sagt mir hierbei zu, dass du den aktuell besten Preis erhälst, zu dem dieser Kurs aktuell auf dem Udemy-Marktplatz verkauft wird. Du solltest also über meinen Link nicht mehr bezahlen als wenn du den Kurs direkt über die Platform kaufst.
Beim Machine Learning werden Modelle gemäß vorgegebenen Algorithmen und gesammelten Daten konstruiert. Im sogenannten Training sollen die Modelle lernen, statistische Muster und Zusammenhänge in den Daten abzubilden und zu verallgemeinern. Diese Modelle werden dann gegen Testdaten geprüft, um die Qualität der Modelle bewerten und optimieren zu können. Oft erlauben solche Modelle überraschende Einblicke in Gesetzmäßigkeiten in den Daten, die dem menschlichen Auge verborgen geblieben sind.
Dieser Kurs behandelt Machine Learning in den beiden Sprachen Python und R. Die Teilnehmer haben die Wahl sich auf eine Programmiersprache davon zu fokussieren oder gleich beide zu lernen. Durch die parallele Kursstruktur fällt der Umstieg von einer der beiden Sprachen auf die andere besonders eingängig aus.
Nach diesem Kurs haben die Teilnehmer die Intuitionen hinter allen wesentlichen Methoden des Machine Learnings verstanden und können die Methoden selbstständig auf eigene Daten anwenden. Insbesondere sind die Teilnehmer auch in der Lage, fundierte Entscheidungen zu treffen, etwa welches Modell verwendet werden soll oder wie Daten aufbereitet werden sollen.
Inhaltlich umfasst der Kurs die wichtigsten Themen aus dem Gebiet des Machine Learnings:
Regression:
- Lineale- und Polynomiale Regression
Klassifizierung:
- Logistische Regression
- Support Vector Machine (SVM), sowie SVM mit Kernel (rbf, poly)
- Naive Bayes
- Entscheidungsbäume
- Random Forest
Clustering:
- K-Means-Clustering
Natural Language Processing:
- Tokenizing
- Stemming
- POS-Tagging
Bonus: Deep Learning/Neuronale Netze mit Python:
- Aufbau und Beschreibung eines neuronalen Netzes
- Tensorflow und Keras
Die Theorie wird mit diversen Beispielen und Projekten begleitet, sodass die Teilnehmer auch anspruchsvollere Konzepte anzuwenden lernen. Unter anderem werden die Teilnehmer:
- mithilfe der Principal Component Analysis (PCA) eine Dimensionsreduktion durchführen,
- Daten einlesen und sie für ein Modell vorbereiten,
- unter Einsatz von „Parameter Tuning“ und Grid Search (GridSearchCV in Python, tuneGrid in R) die besten Hyperparameter für ein spezifisches Modell finden, sowie
- mithilfe von K-Fold Cross-Validation und das Bestimmtheitsmaß sowie der Betrachtung der Genauigkeit Modelle untereinander vergleichen.
Nicht zuletzt werden die Teilnehmer auch praktischen Tools wie Scitkit-learn, NLTK, caret und data.table begegnen, um rundum für eigene Machine Learning-Projekte gewappnet zu sein.