Praxisorientiertes Machine Learning und Deep Learning mit Python

Dieser Kurs bietet eine klare, konzeptionelle Grundlage sowohl für traditionelles maschinelles Lernen als auch für moderne Deep-Learning-Techniken.Dieser Kurs biete eine klare konzeptuelle Grundlagen sowohl in traditionellem maschinellem Lernen und modernen Deep-learning-Verfahren. Sie werden vom Verständnis grundlegender statistischer Modelle zur Implementierung leistungsstarker neuronaler Netze übergehen und Sie für die Bewältigung realer Datenwissenschaftsherausforderungen ausstatten. Was Sie lernen werden: * Verstehen Sie die Grundprinzipien des überwachten und unbeaufsichtigten Lernens und ihrer entsprechenden Anwendungsfälle. * Anwenden von grundlegenden ML-Algorithmen wie Regression, Klassifizierung und Clustering mit der scikit-learn-Bibliothek. * Erstellen und Optimieren von tiefen neuronalen Netzwerken für komplexe Mustererkennung mit TensorFlow. * Üben Sie die wesentlichen Datenvorbereitungs- und Feature-Engineering-Techniken, die für ein effektives Modelltraining erforderlich sind. * Konfigurieren Sie grundlegende Umgebungsmanagement- und Modellversionierungspraktiken und führen Sie grundsätzliche MLOps-Konzepte ein. * Analysieren, wie Modellergebnisse Entscheidungsfindungen beeinflussen können, einschließlich der Grundprinzipien der Modellinterpretabilität. Der Kurs beginnt mit der grundlegenden Terminologie und Datenaufbereitungstechniken, bevor wir uns der Implementierung traditioneller Machine-Learning-Modelle widmen, um dann den Fokus auf die Architektur und das Training von Deep Neural Networks zu legen und mit praktischen Anwendungsszenarien abzuschließen. Dieser Kurs richtet sich an absolute Anfänger, die sich für Data Science, Programmierung oder künstliche Intelligenz interessieren. Keine Vorkenntnisse in maschinellem Lernen oder fortgeschrittener Mathematik erforderlich.