Grundlagen des maschinellen Lernens: Modellauswahl und -interpretation

Sie möchten über die grundlegende Theorie hinausgehen und maschinelle Lernmodelle erstellen, die in der Praxis tatsächlich gut funktionieren?Dieses Seminar bietet eine praktische, schrittweise Anleitung zu den Kernkonzepten des überwachten maschinellen Lernens. Sie werden über die einfache Modellanpassung hinausgehen, um die kritischen Prozesse der Merkmalsaufbereitung, Hyperparameter-Tuning, robuste Auswertung und Modellinterpretation zu beherrschen und Rohdaten in genaue, erklärbare Vorhersagen umzuwandeln. Was Sie lernen werden: * Verstehen Sie die Mechanik von linearen Modellen, Entscheidungsbäumen und leistungsstarken Ensemblemethoden wie Gradient Boosting. * Anwenden effektiver Techniken für die Datenvorverarbeitung, die Merkmalsskalierung und die Verwaltung der Dimensionsreduktion. * Beherrschen Sie die Kreuzvalidierung und wählen Sie geeignete Auswertungsmetriken für ausgewogene und unsymmetrische Datensätze. * Konfigurieren Sie Hyperparameter mit systematischen Suchmethoden, um die Modellleistung zu maximieren und Überanpassungen zu reduzieren. * Üben Sie die Modellinterpretation mit grundlegenden Techniken, um Vorhersagen zu erklären und die Bedeutung von Merkmalen zu verstehen. Der Inhalt beginnt mit der wesentlichen Terminologie und Datenaufbereitung, bevor wir in die Kernmodellarchitekturen eintauchen.Wir konzentrieren uns dann stark auf Validierungsstrategien, Tuning-Workflows und praktische Methoden zur Interpretation von Modellergebnissen durch schriftliche Erklärungen und Codebeispiele. Dieser Kurs richtet sich an absolute Anfänger in der Datenwissenschaft oder Programmierung, die eine starke praktische Grundlage für die Modellierung von maschinellem Lernen schaffen möchten. Keine Vorkenntnisse mit ML-Algorithmen sind erforderlich.