Grundlagen des maschinellen Lernens

Rohdaten funktionieren selten gut direkt in Machine-Learning-Modellen, denn die Qualität und Relevanz Ihrer Merkmale bestimmen letztendlich die Leistung und den Erfolg Ihres endgültigen Modells. Dieser Kurs vermittelt Ihnen den systematischen Prozess des Feature Engineering und vermitteln Ihnen die Fähigkeiten, die optimalen Variablen zu bereinigen, zu transformieren und auszuwählen, die für die Erstellung leistungsstarker und effektiver Machine-Learning-Lösungen erforderlich sind. Was Sie lernen werden: * Verstehen Sie den Lebenszyklus der Datenaufbereitung und die entscheidende Rolle des Feature Engineering in der Machine Learning-Pipeline. * Wenden Sie wesentliche Techniken für den Umgang mit fehlenden Werten und Ausreißererkennung über verschiedene Datentypen an. * Beherrschen verschiedener Kodierungs- und Skalierungsmethoden, einschließlich Normalisierung und erweiterter kategorialer Datenverarbeitung, um Features für die Modellierung vorzubereiten. * Üben Sie das Generieren neuer, informativer Merkmale aus vorhandenen Variablen, einschließlich grundlegender Methoden für Zeitreihen und Textdaten. * Konfigurieren Sie grundlegende Methoden zur Merkmalsauswahl, um die Dimensionalität zu reduzieren, Überanpassungen zu verhindern und die Interpretierbarkeit des Modells zu verbessern. Wir beginnen mit Kernkonzepten und Datenexploration, gehen dann schnell zu praktischen Methoden für die Datentransformation und -verfeinerung über und diskutieren abschließend die für das Training effizienter und leistungsfähiger Modelle erforderlichen Merkmalsauswahlstrategien. Dieser Kurs richtet sich an absolute Anfänger, die sich für Data Science oder Machine Learning interessieren und eine solide Grundlage in der Datenaufbereitung benötigen. Lernen Sie noch heute den wichtigsten Schritt im Machine-Learning-Workflow.