- Verstehen Sie die Rolle des maschinellen Lernens in den Arbeitsabläufen der Data Science und Datenanalyse.
- Erkunden Sie, wie Data Science-Spezialisten maschinelles Lernen zur Lösung realer Probleme einsetzen.
- Lernen Sie die grundlegenden Konzepte der künstlichen Intelligenz und ihre Beziehung zum maschinellen Lernen in der Data Science kennen.
Techniken der Datenanalyse Einführung
- Bereiten Sie Daten für maschinelles Lernen durch explorative Datenanalyse (EDA) im Rahmen von Data Science-Projekten vor.
- Verwenden Sie Python-Bibliotheken wie Pandas und Numpy für die Datenvorverarbeitung in Data Science-Workflows.
- Wenden Sie SQL für die Extraktion und Analyse von Data Science-Datensätzen vor der Modellierung an.
Techniken des überwachten Lernens
- Erkunden Sie wichtige Algorithmen wie lineare Regression, logistische Regression und Entscheidungsbäume im Data Science-Kontext.
- Verstehen Sie die Prinzipien der Klassifizierung und Regression für prädiktive Modellierung in Data Science-Anwendungen.
- Lernen Sie Methoden zur Modellbewertung kennen, einschließlich Kreuzvalidierung und Leistungsmetriken für Data Science-Modelle.
Fortgeschrittene Konzepte des maschinellen Lernens
- Tauchen Sie ein in unüberwachte Lerntechniken wie Clustering und Dimensionsreduktion für komplexe Data Science-Fragestellungen.
- Erkunden Sie Ensemble-Methoden wie Random Forests und Gradient Boosting in realen Data Science-Szenarien.
- Verstehen Sie die Anwendung neuronaler Netze in fortgeschrittenen Data Science-Projekten.
Projekte zum maschinellen Lernen in der Praxis
- Erstellen Sie End-to-End-Pipelines für maschinelles Lernen auf Grundlage echter Data Science-Datensätze.
- Präsentieren Sie Stakeholdern Erkenntnisse, die aus Data Science-Modellen des maschinellen Lernens gewonnen wurden.
- Arbeiten Sie an Gruppenprojekten, um reale Data Science-Umgebungen zu simulieren.
Dieser Kurs untersucht die Anwendung von maschinellem Lernen zur Verbesserung der Vorhersagefähigkeiten in Data Science-Projekten.