Technische Informationsbibliothek (TIB)36 Module
Machine Learning with Python
36 Einträge
Aktualisiert
Beschreibung und Lernergebnis
Mentoren
GKGábor Kismihók
CECarolin Eisentraut

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.

Enthaltene Inhalte
Entdecke die Module, die in diesem Lernpfad enthalten sind.
1

Supervised learning vs unsupervised learning

Linkinhalt
2

Regression vs Classification

Linkinhalt
3

Linear Regression

Linkinhalt
4

Linear regression with scikit

Linkinhalt
5

Gradient descent

Linkinhalt
6

Overfitting vs underfitting

Linkinhalt
7

Regularization

Linkinhalt
8

Regularization with scikit

Linkinhalt
9

Logistic regression

Linkinhalt
10

Logistic regression with scikit

Linkinhalt
11

Cross validation

Linkinhalt
12

Cross validation with scikit

Linkinhalt
13

Resampling method: bootstrapping

Linkinhalt
14

K means

Linkinhalt
15

K means with scikit

Linkinhalt
16

Density based clustering

Linkinhalt
17

Hierarchical clustering

Linkinhalt
18

K nearest neighbor

Linkinhalt
19

K nearest neighbor with scikit

Linkinhalt
20

Decision tree

Linkinhalt
21

Decision tree with scikit

Linkinhalt
22

Support vector machine

Linkinhalt
23

Support vector machine with scikit

Linkinhalt
24

Expectation maximization

Linkinhalt
25

Naive bayes classification

Linkinhalt
26

Naive bayes classification with scikit

Linkinhalt
27

Gaussian mixture model

Linkinhalt
28

Ensemble learning boosting

Linkinhalt
29

Ensemble learning bagging

Linkinhalt
30

Random forest

Linkinhalt
31

Random forest with scikit

Linkinhalt
32

Principal component analysis

Linkinhalt
33

Principal component analysis with scikit

Linkinhalt
34

Linear discriminant analysis

Linkinhalt
35

Artificial neural network

Linkinhalt
36

Artificial neural network with scikit

Linkinhalt
Lerne "Machine Learning with Python" | Technische Informationsbibliothek (TIB)