Dieser fortgeschrittene Python-Kurs befasst sich mit den Themen Knowledge Discovery in Datenbanken und dem Begriff des Data-Mining bei dem es vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Es werden auch bis zu 30 nützliche Designpatern für Machinelearning bearbeitet, sowohl als grafische Problemstellung als auch als Auflösung im Plot. Mathe auf Abiturniveu und Matrizenberechnung erforderlich.
Grundlagen des maschinellen LernensLernalgorithmen für die Klassifizierung trainierenMachine-Learning Klassifizierer mit Scikit-learn verwendenDatenvorverarbeitungDatenkomprimierung durch DimensionsreduktionBest Practices zur Modellbewertung und Hyperparameter-AbstimmungKombination verschiedener Modelle für das Ensemble LearningMachine Learning zur Analyse von Stimmungslagen nutzenEinbetten eines Machine-Learning-Modells in eine WebanwendungVorhersage stetiger Zielvariablen durch RegressionsanalyseVerwendung nicht gekennzeichneter Daten: ClusteranalyseImplementierung eines künstlichen neuronalen NetzesParallelisierung des Trainings neuronaler Netze mit TensorFlowDie Funktionsweise von TensorFlow im DetailBildklassifizierung mit tiefen konvolutionalen neuronalen NetzenModellierung sequenzieller Daten durch rekurrente neuronale NetzeDesign Patterns für ML:- Entwurfsmuster Teil 1: Hashed Feature, Einbettungen, Feature Cross, Multimodale Eingabe, Reframing, Multilabel, Ensemble, Kaskade, Neutrale Klasse
- Entwurfsmuster Teil 2: Rebalancing, Nützliche Überanpassung, Checkpoints, Transfer Learning, Verteilungsstrategie, Hyperparameter-Abstimmung, Zustandslose Serving-Funktion
- Entwurfsmuster Teil 3: Batch-Serving, Kontinuierliche Modellbewertung, Zweiphasen-Vorhersagen, Keyed Predictions, Transformation, Wiederholbare Aufteilung
- Entwurfsmuster Teil 4: Bridged Schema, Windowed Inference, Workflow-Pipeline, Feature Store, Modellversionierung, Heuristischer Benchmark, Erklärbare Vorhersagen, Fairness Lens