Alle Lernmaterialien für deinen Kurs Machine Learning for Engineers I - Introduction to Methods and Tools

Dieser Abschnitt bietet eine grundlegende Einführung in die Konzepte und Technologien, die das Feld des maschinellen Lernens prägen.

• Geschichte und Entwicklung des maschinellen Lernens
• Anwendungsbereiche und Relevanz
• Grundlegende Begriffe wie Algorithmen, Modelle und Daten
• Übersicht über verschiedene Ansätze wie überwachte und unüberwachte Lernmethoden
• Einführung in wichtige Werkzeuge und Bibliotheken

Dieser Abschnitt befasst sich mit Techniken und Methoden des überwachten Lernens, bei denen das Modell auf gekennzeichneten Daten trainiert wird.

• Konzepte von Training und Testen
• Klassifikations- und Regressionsprobleme
• Algorithmen wie lineare Regression, Entscheidungsbäume und KNN
• Loss-Funktionen und Optimierungstechniken
• Evaluierung der Modellleistung

Hier wird die Methode des unüberwachten Lernens behandelt, bei der das Modell auf unmarkierten Daten trainiert wird, um Muster und Strukturen zu erkennen.

• Kernkonzepte des Clustering und Dimensionalitätsreduktion
• Algorithmen wie k-Means, Hierarchisches Clustering und PCA
• Anwendungsfälle für unüberwachtes Lernen
• Bewertung der Güte der Clustering-Ergebnisse
• Vergleich zwischen überwachten und unüberwachten Methoden

Dieser Abschnitt erläutert die Techniken der Merkmalsextraktion und -auswahl, um die Leistung der Modelle zu verbessern.

• Methoden der Merkmalsextraktion und -auswahl
• Techniken der Datenvorverarbeitung und -bereinigung
• Skalierung und Normalisierung von Features
• Feature-Engineering für Text- und Bilddaten
• Bewertung des Einflusses von Features auf die Modellleistung

Dieser Abschnitt konzentriert sich auf die Methoden zur Bewertung und Auswahl der besten Modelle für spezifische Aufgaben.

• Kreuzvalidierung und Hyperparameter-Tuning
• Unterschiedliche Bewertungsmetriken wie Genauigkeit, Präzision, Recall und F1-Score
• Auswahl von Modellen basierend auf Komplexität und Generalisierungsfähigkeit
• Vergleich von Modellleistung mit ROC-Kurven und AUC
• Einfluss von Overfitting und Underfitting und deren Lösungsmöglichkeiten