Überwachtes Maschinelles Lernen

4.9+

7 Bewertungen

Intermediate

Learn the Machine Learning concepts and the ML project workflow.

Preprocessing is probably the most important stage of an ML project. This chapter covers the preprocessing steps needed for almost any dataset.

A pipeline is a neat way to combine all the preprocessing steps as well as a model. Pipelines make it much easier to train and use a model.

Modeling is the most fun stage of an ML project. Let's learn to build, fine-tune and evaluate the model!

Beginnen wir mit dem einfachsten linearen Regressionsmodell! Sie werden die Idee hinter der linearen Regression und wie man Vorhersagen in Python trifft, lernen.

Die meisten Vorhersageaufgaben in der realen Welt beinhalten mehr als ein Merkmal. Sie werden lernen, wie man mit Linearer Regression mit mehreren Merkmalen umgeht.

Eine gerade Linie beschreibt die Daten nicht immer gut. Lernen wir, wie man ein komplexeres Modell zur Vorhersage erstellt! Dafür eignet sich die polynomiale Regression.

Jetzt, da Sie wissen, wie man viele Linear Regression Modelle erstellt, benötigen Sie eine Methode, um das beste auszuwählen. Dies ist mit Hilfe von Metriken erreichbar. Dieser Abschnitt erklärt die am häufigsten verwendeten und die Schwierigkeiten, die bei deren Verwendung auftreten können.

Was ist ein Ensemble? Wie unterscheiden sich Ensembles von Standard-Maschinenlernmodellen? Welche Arten von Ensembles gibt es? Lassen Sie uns die Antworten auf diese Fragen betrachten.

Lassen Sie uns einige häufig verwendete Bagging-Ensemble-Modelle betrachten, die Merkmale ihrer Verwendung und auch einige von ihnen anwenden, um reale Aufgaben zu lösen.

Der Arbeitsmechanismus von Boosting-Modellen unterscheidet sich von Bagging-Modellen. Jetzt werden wir diese Unterschiede erkunden, Einblicke in die Nutzung von Modell-Boosting zur Problemlösung gewinnen und seine Funktionalität durch praktische Demonstrationen veranschaulichen.

Betrachten wir einige häufig verwendete Stacking-Ensemble-Modelle, die Merkmale ihrer Verwendung und wenden wir einige von ihnen an, um reale Aufgaben zu lösen.

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.