Alle Lernmaterialien für deinen Kurs Introduction to Machine Learning

Supervised Learning befasst sich mit den Methoden, bei denen das Modell anhand von gelabelten Daten trainiert wird, um Vorhersagen zu treffen oder Entscheidungen zu treffen.

• Klassifikation und Regression
• Lineare Modelle
• Overfitting und Regularisierung
• Modellevaluierung und Kreuzvalidierung
• Anwendungsbeispiele und Use Cases

Im Gegensatz zu Supervised Learning werden bei Unsupervised Learning Modelle ohne gelabelte Daten trainiert, um Muster oder Strukturen in den Daten zu erkennen.

• Clusteranalyse
• Dimensionalitätsreduktion
• Anomalieerkennung
• Principal Component Analysis (PCA)
• Hierarchisches Clustering

Reinforcement Learning untersucht, wie Agenten in einer Umgebung durch Versuch und Irrtum lernen, indem sie Belohnungen maximieren.

• Markow-Entscheidungsprozesse
• Policys und Wertfunktionen
• Q-Learning Algorithmus
• Deep Reinforcement Learning
• Anwendungen in Spielen und Robotik

Neural Networks sind inspiriert von der Funktionsweise des menschlichen Gehirns und werden häufig für komplexe Aufgaben wie Bild- und Spracherkennung eingesetzt.

• Grundlagen der Neuronen und Schichten
• Backpropagation Algorithmus
• Convolutional Neural Networks (CNNs)
• Recurrent Neural Networks (RNNs)
• Deep-Learning-Frameworks

Decision Trees sind eine Methode der Entscheidungsfindung, die auf der Struktur von Baumdiagrammen basiert und häufig in der Datenanalyse verwendet wird.

• Grundlagen von Entscheidungsbäumen
• Information Gain und Gini-Index
• Pruning und Regularisierung
• Random Forests
• Gradient Boosting Trees