Machine Learning with Python
Mentor
GK

Gábor Kismihók

Beschreibung

Machine learning is a hot topic these days. This course teaches you the most important topics in Machine Learning and how to implement them in the Python language.

Lernziele

Nach Abschluss dieses Lernpfads werden die Lernenden in der Lage sein:

  1. Die grundlegenden Konzepte des maschinellen Lernens, einschließlich überwachter und unüberwachter Lernmethoden, zu verstehen und zu erklären.

  2. Verschiedene Algorithmen des maschinellen Lernens wie Regression, Klassifikation, Clustering und Ensemble-Methoden zu erkennen und zu unterscheiden.

  3. Gängige Techniken des maschinellen Lernens, einschließlich Linearer Regression, Logistischer Regression, K-Means, Entscheidungsbäumen und Support Vector Machines, mit der Programmiersprache Python zu implementieren.

  4. Die Ergebnisse von Machine-Learning-Modellen zu analysieren und zu interpretieren sowie deren Leistung unter Berücksichtigung von Konzepten wie Überanpassung, Unteranpassung und Kreuzvalidierung zu bewerten.

36 Module

Inklusive

21.03.2026

Aktualisiert

-

Benötigte Zeit (Stunde)

1. Supervised learning vs unsupervised learning
2. Regression vs Classification
3. Linear Regression
4. Linear regression with scikit
5. Gradient descent
6. Overfitting vs underfitting
7. Regularization
8. Regularization with scikit
9. Logistic regression
10. Logistic regression with scikit
11. Cross validation
12. Cross validation with scikit
13. Resampling method: bootstrapping
14. K means
15. K means with scikit
16. Density based clustering
17. Hierarchical clustering
18. K nearest neighbor
19. K nearest neighbor with scikit
20. Decision tree
21. Decision tree with scikit
22. Support vector machine
23. Support vector machine with scikit
24. Expectation maximization
25. Naive bayes classification
26. Naive bayes classification with scikit
27. Gaussian mixture model
28. Ensemble learning boosting
29. Ensemble learning bagging
30. Random forest
31. Random forest with scikit
32. Principal component analysis
33. Principal component analysis with scikit
34. Linear discriminant analysis
35. Artificial neural network
36. Artificial neural network with scikit
Lerne "Machine Learning with Python" | Technische Informationsbibliothek (TIB)