StartseiteKurseÜberwachtes Lernen mit scikit-learn entdecken

Maschinelles Lernen mit scikit-learn

Kapitel 2 · Klassifikationsmethoden entdecken · Lektion 2 von 51
Nur für Abonnenten — hier ist der Anfang
Was ist maschinelles Lernen? Maschinelles Lernen, auch Machine Learning genannt, bezeichnet einen Prozess, bei dem Computer lernen, auf Grundlage von Daten Entscheidungen zu treffen, ohne für jede einzelne Aufgabe explizit programmiert werden zu müssen. Anwendungsbeispiele für maschinelles Lernen Maschinelles Lernen kann unter anderem dazu dienen, anhand von Inhalt und Absender zu bestimmen, ob es sich bei einer E-Mail um Spam handelt. Es kann außerdem verwendet werden, um Bücher anhand der darin enthaltenen Wörter in verschiedene Kategorien einzuordnen und anschließend jedes neue Buch automatisch der passenden Kategorie zuzuweisen. Unüberwachtes Lernen Unüberwachtes Lernen besteht darin,
Der weitere Verlauf dieser Lektion ist Abonnenten vorbehalten Erstellen Sie Ihr kostenloses Konto, um die Beispielübungen zu testen, und wechseln Sie dann jederzeit zum vollständigen Zugang.

Erstellen Sie Ihr kostenloses Konto

Ohne Kreditkarte, in dreißig Sekunden.
Mit Google fortfahren
oder
Mit E-Mail registrieren
Schon registriert? Anmelden
Mit der Fortsetzung akzeptieren Sie die Nutzungsbedingungen und die Datenschutzrichtlinie. Ihre Daten werden in der Europäischen Union gehostet.

DATAGOZ Vollzugang

19 €/ Monat — oder 190 € / Jahr
  • Alle veröffentlichten Kurse und Berufspfade
  • Übungen und Quizze mit automatischer Korrektur
  • Training, Prüfung und Teilnahmebescheinigung
  • Ohne Verpflichtung, online kündbar
Tarife ansehen
Diese Lektion gehört zum Kurs

Entdecken Sie überwachtes Lernen mit scikit-learn

6 Kapitel · 51 Lektionen

Entdecken Sie die wichtigsten Prinzipien des überwachten Lernens mit scikit-learn!

  • Die SchulungsplattformAbonnenten
  • Machine Learning mit scikit-learndu bist hier
  • Binäre KlassifikationAbonnenten
  • Schlüsselschritte des überwachten LernensAbonnenten
  • Ein Klassifikationsproblem angehenAbonnenten
  • Ein Modell mit k-nächsten-Nachbarn anpassenAbonnenten
  • Vorhersagen mit k-nächsten-Nachbarn treffenAbonnenten
  • Modellleistung bewertenAbonnenten
  • Daten aufteilen und die Genauigkeit messenAbonnenten
  • Überanpassung und Unteranpassung erkennenAbonnenten
  • Die Komplexität des Modells analysierenAbonnenten
  • Einführung in die Grundlagen der RegressionAbonnenten
  • Relevante Merkmale erstellen und auswählenAbonnenten
  • Ein lineares Regressionsmodell erstellenAbonnenten
  • Ein lineares Regressionsmodell grafisch darstellenAbonnenten
  • Die Grundprinzipien der linearen Regression verstehenAbonnenten
  • Ein Modell anpassen und Vorhersagen treffenAbonnenten
  • Die Leistung eines Regressionsmodells bewertenAbonnenten
  • Die Prinzipien der Kreuzvalidierung kennenlernenAbonnenten
  • Den R²-Koeffizienten per Kreuzvalidierung bewertenAbonnenten
  • Die Kennzahlen der Kreuzvalidierung interpretierenAbonnenten
  • Modelle mithilfe der Regularisierung verbessernAbonnenten
  • Die Ridge-Regularisierung (Kammregression) anwendenAbonnenten
  • Wichtige Merkmale mit der Lasso-Regression identifizierenAbonnenten
  • Modellzuverlässigkeit und Modellqualität bewertenAbonnenten
  • Eine passende Bewertungsmetrik auswählenAbonnenten
  • Einen Klassifikator zur Diabetesvorhersage bewertenAbonnenten
  • Logistische Regression und ROC-Kurve kennenlernenAbonnenten
  • Ein logistisches Regressionsmodell erstellenAbonnenten
  • ROC-Kurve zeichnen und interpretierenAbonnenten
  • Leistung mit der Fläche unter der ROC-Kurve (ROC AUC) messenAbonnenten
  • Die Abstimmung von Hyperparametern verstehenAbonnenten
  • Hyperparameter mit GridSearchCV optimierenAbonnenten
  • Hyperparameter mit RandomizedSearchCV erkundenAbonnenten
  • Daten vorbereiten und transformierenAbonnenten
  • Kategoriale Variablen codierenAbonnenten
  • Regression auf kategoriale Daten anwendenAbonnenten
  • Fehlende Werte behandelnAbonnenten
  • Unvollständige Daten durch Löschen verarbeitenAbonnenten
  • Eine Pipeline zur Vorhersage des Musikgenres erstellen (Teil 1)Abonnenten
  • Die Pipeline zur Vorhersage des Musikgenres vervollständigen (Teil 2)Abonnenten
  • Daten durch Zentrierung und Skalierung standardisierenAbonnenten
  • Standardisierung auf ein Regressionsmodell anwendenAbonnenten
  • Daten für die Klassifikation standardisierenAbonnenten
  • Die Leistung mehrerer Modelle vergleichenAbonnenten
  • Die Ergebnisse der Regressionsmodelle visualisierenAbonnenten
  • Vorhersagen auf den Testdaten durchführenAbonnenten
  • Die Leistung von Klassifikationsmodellen grafisch vergleichenAbonnenten
  • Eine Pipeline erstellen, die die Beliebtheit von Songs vorhersagtAbonnenten
  • Lernbilanz zum KursAbonnenten
  • Abschluss der SchulungAbonnenten
Nächste Lektion

Binäre Klassifikation

Programm anzeigen Konto erstellen, um fortzufahren