Grundlagen des maschinellen Lernens im Kontext von Daten
- Entdecken Sie die wesentlichen Techniken des maschinellen Lernens zur Bewältigung von Datenherausforderungen
- Erlangen Sie Einblicke in überwachte und unüberwachte Lernmethoden
- Erfahren Sie, wie ein Datenwissenschaftler ML-Techniken in der Datenanalyse einsetzt
Supervised Learning Ansätze
- Entdecken Sie gefragte überwachtes Lernalgorithmen: lineare Regression, logistische Regression, Entscheidungsbäume
- Lernen Sie die Training, Testen und Beurteilung von Modellen durch Präzision, Genauigkeit und Rückruf
- Praktische Übungen in der Implementierung dieser Algorithmen mit Python und Scikit-learn
Unsupervised Learning Ansätze
- Erhalten Sie einen Überblick über unüberwachte Lerntechniken wie Clustering und Dimensionsreduktion
- Kennenlernen wichtiger Algorithmen wie K-Means und Principal Component Analysis (PCA)
- Verstehen Sie, wie unüberwachtes Lernen bei Datensegmentierung und Mustererkennung angewendet wird
Modellanalyse und Anpassung
- Lernen Sie, die Leistung von maschinellen Lernmodellen durch Metriken wie Konfusionsmatrix und ROC-Kurven zu bewerten
- Erforschen Sie Kompromisse bei der Auswahl des passenden Modells für geschäftliche Datenziele
- Entdecken Sie die Hyperparameter-Optimierung zur Leistungssteigerung von Modellen
Praktische ML-Anwendungen in der Datenwissenschaft
- Erkunden Sie den Einsatz von ML-Methoden in verschiedenen Branchen für Aufgaben der Datenanalyse
- Studieren Sie Fallbeispiele von maschinellem Lernen im Unternehmenskontext
- Erkunden Sie die Einbindung von ML-Modellen in den gesamten Datenwissenschafts-Lebenszyklus