|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/grundlage-machine-learning-mit-python/
课程评论：没有评论
**课程名称：Python 机器学习** **课程概述：** 本课程为初学者提供全面的机器学习入门指导，内容涵盖德国高校机器学习模块的核心知识，并强调实践应用。课程将直观地讲解理论概念，并通过代码和真实数据集生动地展示各种模型。大量的练习和测验将帮助学员巩固所学知识。 **主要内容：** 1. **机器学习基础：** * **机器学习环境：** 机器学习定义、应用、类型（监督、无监督、实例基、模型基），以及挑战（数据代表性、过拟合/欠拟合）。 * **Python 环境设置：** Python 安装与 Jupyter Notebook 使用。 * **Python 基础：** 数据类型、列表、字典、循环、条件语句、函数、面向对象编程。 * **数据处理：** 数据下载、可视化、训练/测试集划分、相关性分析、数据预处理。 * **K-近邻 (KNN)：** KNN 原理、邻居数量选择、Scikit-Learn 实现。 * **分类器评估与优化：** Accuracy、混淆矩阵、Precision、Recall、交叉验证、Grid Search，并应用于 KNN。 * **聚类 (K-Means)：** K-Means 原理、聚类数量选择、优缺点、Scikit-Learn 实现。 * **矩阵基础：** 转置、乘法等基本矩阵运算。 * **线性回归：** 原理、正规方程、Scikit-Learn 实现、均方误差 (MSE) 计算。 * **梯度下降：** 原理、学习率、Batch 梯度下降、Stochastic 梯度下降。 * **多项式回归：** 原理、挑战、学习曲线分析。 * **正则化：** Ridge 回归、Lasso 回归及其重要性。 * **逻辑回归：** 原理及概率估计。 2. **神经网络基础：** * **神经元与感知器：** 生物学神经元、感知器、XOR 问题。 * **多层感知器 (MLP)：** 原理、反向传播。 * **Keras/TensorFlow 应用：** 神经网络在 Keras/TensorFlow 中的实现。 * **激活函数、梯度消失、过拟合与正则化：** 神经网络中的关键概念。 **课程目标：** 本课程旨在为学员打下坚实的机器学习和神经网络基础，使其能够独立构建模型、分析数据并开展相关项目。
Dieser Kurs bietet dir alles, was du für den Einstieg ins Maschinelle Lernen benötigst. Du wirst Schritt für Schritt durch zahlreiche Themen geführt, die auch in einem ML-Modul an einer deutschen Hochschule behandelt werden. Mit dem kleinen Unterschied, dass du hier besonders praxisnah lernst. Du lernst die theoretischen Konzpte hinter den verschiedenen Modellen intuitiv kennen und ich werde dir die unterschiedlichen Modelle anschaulich mit Code und anhand echter Datensätzen erklären. Durch zahlreiche Übungen und Quizzes kannst du dann dein neu erworbenes Wissen direkt anwenden und vertiefen. Konkret werden folgende Themen behandelt:1. Grundlagen des Maschinellen Lernens1.1 Die Machine-Learning-UmgebungIn dieser ersten Sektion werden wir die Grundlagen des Maschinellen Lernens erkunden. Du lernst, was Machine Learning ist und warum es verwendet wird. Wir werden auch verschiedene Arten von Machine-Learning-Systemen, wie überwachtes und unüberwachtes Lernen sowie instanzbasiertes und modellbasiertes Lernen, kennenlernen. Zusätzlich werden wir uns mit den Herausforderungen beim Machine Learning, wie der Mangel an repräsentativen Daten und Overfitting/Underfitting, auseinandersetzen.1.2 Einrichten der Python-UmgebungHier erfährst du, wie du deine Python-Umgebung einrichtest, um mit Machine Learning zu arbeiten. Wir werden Python installieren und Jupyter Notebook verwenden, um praktische Übungen durchzuführen.1.3 Einführung in PythonIn dieser Sektion lernst du die Grundlagen der Programmiersprache Python kennen. Wir werden Datentypen, Listen, Dictionaries, Schleifen, Verzweigungen, Funktionen und objektorientierte Programmierung behandeln.1.4 Arbeiten mit DatenDas Arbeiten mit Daten ist entscheidend im Machine Learning. Hier lernst du, wie du Daten herunterladen, visualisieren, in Trainings- und Testdaten aufteilen, Korrelationen finden und Daten für die Verwendung im Machine Learning aufbereiten kannst.1.5 K-Nearest Neighbor (KNN)KNN ist ein einfacher und dennoch leistungsstarker Klassifikationsalgorithmus. Wir werden uns damit beschäftigen, wie KNN funktioniert, wie man die Anzahl der Nachbarn wählt und wie man diesen Algorithmus in der Python-Bibliothek Scikit-Learn anwendet.1.6 Evaluation und Optimierung von KlassifikatorenHier werden wir Methoden zur Evaluation von Machine-Learning-Modellen wie Accuracy, Konfusionsmatrix, Precision, Recall, Kreuzvalidierung und Grid Search behandeln. Anschließend wenden wir diese Konzepte auf den KNN-Algorithmus an.1.7 Clustering (K-Means)Du wirst Clustering-Algorithmen und insbesondere den K-Means-Algorithmus kennenlernen. Wir werden die Wahl der Clusteranzahl, Vor- und Nachteile sowie die Implementierung in Scikit-Learn diskutieren.1.8 Einführung in MatrizenIn diesem Abschnitt beschäftigen wir uns mit grundlegenden Matrixoperationen wie Transponieren und Multiplizieren.1.9 Lineare RegressionWir werden die Grundlagen der linearen Regression verstehen, die Normalengleichung kennenlernen und die Anwendung dieses Modells in Scikit-Learn sowie die Berechnung des Mean Squared Error (MSE) besprechen.1.10 Das GradientenverfahrenDas Gradientenverfahren ist ein Schlüsselkonzept für das Trainieren von Machine-Learning-Modellen. Wir werden die Grundidee, die Lernrate und verschiedene Implementierungen wie das Batch-Gradientenverfahren und das Stochastische-Gradientenverfahren untersuchen.1.11 Polynomielle RegressionHier erfährst du, wie Polynomregression funktioniert, welche Herausforderungen es gibt und wie man die Lernkurve analysiert.1.12 RegularisierungWir werden Regularisierungstechniken wie Ridge-Regression und Lasso-Regression kennenlernen und verstehen, warum sie wichtig sind.1.13 Logistische RegressionDie logistische Regression wird für die Schätzung von Wahrscheinlichkeiten verwendet. Wir werden lernen, wie sie genau funktioniert.2. Grundlagen Neuronaler NetzeIn der zweiten Hälfte des Kurses werden wir uns mit den Grundlagen Neuronaler Netze beschäftigen. Wir beginnen mit biologischen Neuronen, Perzeptronen und dem XOR-Problem. Anschließend lernst du Multilayer Perzeptronen, Backpropagation und die Anwendung von Neuronalen Netzen in Keras/Tensorflow kennen. Du wirst Aktivierungsfunktionen, das Problem des verschwindenden Gradienten, Overfitting und Regularisierung in Neuronalen Netzen verstehen.Mein Ziel ist es, dir ein solides Verständnis für Machine Learning und Neuronale Netze zu vermitteln, damit du in der Lage bist, eigene Modelle zu erstellen, Daten zu analysieren und spannende Projekte in diesem Bereich durchzuführen.Bist du bereit?
