Entdecken Sie überwachtes Lernen mit scikit-learn
Erstellen Sie Ihr kostenloses Konto
So verläuft der Kurs
Jede Lektion ist ein strukturierter Text, illustriert mit Beispielen und Schaubildern, gefolgt von einem automatisch korrigierten Quiz. Sie kommen in Ihrem eigenen Tempo voran, und Ihre Notizen bleiben mit der Lektion verknüpft, in der Sie sie gemacht haben.
6 Kapitel, 51 Lektionen
- 2. Machine Learning mit scikit-learngeöffnet
- 2. Binäre Klassifikationgeöffnet
- 2. Wichtige Schritte des überwachten Lernensgeöffnet
- 2. Ein Klassifikationsproblem angehengeöffnet
- 2. Ein Modell mit k-nächsten-Nachbarn anpassengeöffnet
- 2. Vorhersagen mit k-nächsten-Nachbarn treffengeöffnet
- 2. Die Leistung des Modells bewertengeöffnet
- 2. Daten aufteilen und die Genauigkeit messengeöffnet
- 2. Überanpassung und Unteranpassung erkennengeöffnet
- 2. Die Komplexität des Modells analysierengeöffnet
- 3. Einführung in die Grundlagen der RegressionAbonnenten
- 3. Relevante Merkmale erstellen und auswählenAbonnenten
- 3. Ein lineares Regressionsmodell erstellenAbonnenten
- 3. Ein lineares Regressionsmodell grafisch darstellenAbonnenten
- 3. Die Grundlagen der linearen Regression verstehenAbonnenten
- 3. Ein Modell anpassen und Vorhersagen treffenAbonnenten
- 3. Die Leistung eines Regressionsmodells bewertenAbonnenten
- 3. Die Prinzipien der Kreuzvalidierung kennenlernenAbonnenten
- 3. Das Bestimmtheitsmaß R² mittels Kreuzvalidierung bewertenAbonnenten
- 3. Validierungskennzahlen für Kreuzvalidierung interpretierenAbonnenten
- 3. Modelle durch Regularisierung verbessernAbonnenten
- 3. Ridge-Regularisierung (Kammregression) anwendenAbonnenten
- 3. Wichtige Merkmale mit der Lasso-Regression identifizierenAbonnenten
- 4. Die Zuverlässigkeit und Qualität Ihres Modells bewertenAbonnenten
- 4. Eine geeignete Bewertungsmetrik auswählenAbonnenten
- 4. Einen Klassifikator zur Diabetesvorhersage bewertenAbonnenten
- 4. Logistische Regression und die ROC-Kurve kennenlernenAbonnenten
- 4. Ein logistisches Regressionsmodell erstellenAbonnenten
- 4. Die ROC-Kurve zeichnen und interpretierenAbonnenten
- 4. Die Leistung mit der Fläche unter der ROC-Kurve (ROC AUC) messenAbonnenten
- 4. Hyperparameter-Einstellung verstehenAbonnenten
- 4. Hyperparameter mit GridSearchCV optimierenAbonnenten
- 4. Hyperparameter mit RandomizedSearchCV erkundenAbonnenten
- 5. Daten vorbereiten und transformierenAbonnenten
- 5. Kategoriale Variablen kodierenAbonnenten
- 5. Regression auf kategoriale Daten anwendenAbonnenten
- 5. Fehlende Werte behandelnAbonnenten
- 5. Unvollständige Daten durch Löschen verarbeitenAbonnenten
- 5. Eine Pipeline zur Vorhersage des Musikgenres erstellen (Teil 1)Abonnenten
- 5. Die Pipeline zur Vorhersage des Musikgenres vervollständigen (Teil 2)Abonnenten
- 5. Daten durch Zentrierung und Skalierung standardisierenAbonnenten
- 5. Anwendung der Standardisierung auf ein RegressionsmodellAbonnenten
- 5. Daten für die Klassifikation standardisierenAbonnenten
- 5. Leistung mehrerer Modelle vergleichenAbonnenten
- 5. Ergebnisse der Regressionsmodelle visualisierenAbonnenten
- 5. Vorhersagen auf den Testdaten durchführenAbonnenten
- 5. Leistung der Klassifikationsmodelle grafisch vergleichenAbonnenten
- 5. Pipeline zur Vorhersage der Beliebtheit von Songs erstellenAbonnenten
- 5. Zusammenfassung der Kenntnisse aus dem KursAbonnenten
Alles, was die Lektionen begleitet
Wie viel Zeit, je nach Ihrer Verfügbarkeit
Was Sie am Ende erhalten
Sobald der Kurs abgeschlossen ist, wird die Teilnahmebescheinigung auf Ihren Namen ausgestellt. Mit ihrem Code kann ein Recruiter sie in wenigen Sekunden überprüfen.
Es handelt sich weder um einen Abschluss noch um eine berufliche Zertifizierung; es ist der überprüfbare Nachweis, dass Sie diesen Kurs absolviert und erfolgreich abgeschlossen haben.
Wer diesen Kurs schreibt
Eine klare und praxisnahe Didaktik mit konkreten Beispielen, damit Sie effektiv lernen.
Bevor Sie beginnen
Starten Sie noch heute mit diesem Kurs
11 offene Lektionen, ohne Kreditkarte. Sie sehen das Niveau und den Ton, bevor Sie sich entscheiden.