Machine Learning mit Python

Description

Dieser Kurs bietet dir alles, was du für den Einstieg ins Maschinelle Lernen benötigst. Du wirst Schritt für Schritt durch zahlreiche Themen geführt, die auch in einem ML-Modul an einer deutschen Hochschule behandelt werden.  Mit dem kleinen Unterschied, dass du hier besonders praxisnah lernst. Du lernst die theoretischen Konzpte hinter den verschiedenen Modellen intuitiv kennen und ich werde dir die unterschiedlichen Modelle anschaulich mit Code und anhand echter Datensätzen erklären.  Durch zahlreiche Übungen und Quizzes kannst du dann dein neu erworbenes Wissen direkt anwenden und vertiefen.

Konkret werden folgende Themen behandelt:

1. Grundlagen des Maschinellen Lernens

1.1 Die Machine-Learning-Umgebung

In dieser ersten Sektion werden wir die Grundlagen des Maschinellen Lernens erkunden. Du lernst, was Machine Learning ist und warum es verwendet wird. Wir werden auch verschiedene Arten von Machine-Learning-Systemen, wie überwachtes und unüberwachtes Lernen sowie instanzbasiertes und modellbasiertes Lernen, kennenlernen. Zusätzlich werden wir uns mit den Herausforderungen beim Machine Learning, wie der Mangel an repräsentativen Daten und Overfitting/Underfitting, auseinandersetzen.

1.2 Einrichten der Python-Umgebung

Hier erfährst du, wie du deine Python-Umgebung einrichtest, um mit Machine Learning zu arbeiten. Wir werden Python installieren und Jupyter Notebook verwenden, um praktische Übungen durchzuführen.

1.3 Einführung in Python

In dieser Sektion lernst du die Grundlagen der Programmiersprache Python kennen. Wir werden Datentypen, Listen, Dictionaries, Schleifen, Verzweigungen, Funktionen und objektorientierte Programmierung behandeln.

1.4 Arbeiten mit Daten

Das Arbeiten mit Daten ist entscheidend im Machine Learning. Hier lernst du, wie du Daten herunterladen, visualisieren, in Trainings- und Testdaten aufteilen, Korrelationen finden und Daten für die Verwendung im Machine Learning aufbereiten kannst.

1.5 K-Nearest Neighbor (KNN)

KNN ist ein einfacher und dennoch leistungsstarker Klassifikationsalgorithmus. Wir werden uns damit beschäftigen, wie KNN funktioniert, wie man die Anzahl der Nachbarn wählt und wie man diesen Algorithmus in der Python-Bibliothek Scikit-Learn anwendet.

1.6 Evaluation und Optimierung von Klassifikatoren

Hier werden wir Methoden zur Evaluation von Machine-Learning-Modellen wie Accuracy, Konfusionsmatrix, Precision, Recall, Kreuzvalidierung und Grid Search behandeln. Anschließend wenden wir diese Konzepte auf den KNN-Algorithmus an.

1.7 Clustering (K-Means)

Du wirst Clustering-Algorithmen und insbesondere den K-Means-Algorithmus kennenlernen. Wir werden die Wahl der Clusteranzahl, Vor- und Nachteile sowie die Implementierung in Scikit-Learn diskutieren.

1.8 Einführung in Matrizen

In diesem Abschnitt beschäftigen wir uns mit grundlegenden Matrixoperationen wie Transponieren und Multiplizieren.

1.9 Lineare Regression

Wir werden die Grundlagen der linearen Regression verstehen, die Normalengleichung kennenlernen und die Anwendung dieses Modells in Scikit-Learn sowie die Berechnung des Mean Squared Error (MSE) besprechen.

1.10 Das Gradientenverfahren

Das Gradientenverfahren ist ein Schlüsselkonzept für das Trainieren von Machine-Learning-Modellen. Wir werden die Grundidee, die Lernrate und verschiedene Implementierungen wie das Batch-Gradientenverfahren und das Stochastische-Gradientenverfahren untersuchen.

1.11 Polynomielle Regression

Hier erfährst du, wie Polynomregression funktioniert, welche Herausforderungen es gibt und wie man die Lernkurve analysiert.

1.12 Regularisierung

Wir werden Regularisierungstechniken wie Ridge-Regression und Lasso-Regression kennenlernen und verstehen, warum sie wichtig sind.

1.13 Logistische Regression

Die logistische Regression wird für die Schätzung von Wahrscheinlichkeiten verwendet. Wir werden lernen, wie sie genau funktioniert.

2. Grundlagen Neuronaler Netze

In der zweiten Hälfte des Kurses werden wir uns mit den Grundlagen Neuronaler Netze beschäftigen. Wir beginnen mit biologischen Neuronen, Perzeptronen und dem XOR-Problem. Anschließend lernst du Multilayer Perzeptronen, Backpropagation und die Anwendung von Neuronalen Netzen in Keras/Tensorflow kennen. Du wirst Aktivierungsfunktionen, das Problem des verschwindenden Gradienten, Overfitting und Regularisierung in Neuronalen Netzen verstehen.

Mein Ziel ist es, dir ein solides Verständnis für Machine Learning und Neuronale Netze zu vermitteln, damit du in der Lage bist, eigene Modelle zu erstellen, Daten zu analysieren und spannende Projekte in diesem Bereich durchzuführen.

Bist du bereit?

TAKE THIS COURSE