Alle Lernmaterialien für deinen Kurs Projekt Maschinelles Lernen und Datenanalytik

Im Rahmen dieses Kurses lernst Du sowohl Techniken des überwachtes als auch des unüberwachtes Lernens kennen. Diese Methoden sind grundlegend für den Aufbau von Modellen zur Datenanalyse und Vorhersage.

• Einführung in Grundlagen des überwachten Lernens, wie lineare Regression und Klassifikation.
• Erforschung unüberwachter Lernmethoden, inklusive Clustering und Dimensionalitätsreduktion.
• Vergleich der Anwendungsfälle und Einschränkungen beider Lernmethoden.
• Umgang mit unterschiedlichen Datensätzen für beide Lernarten.
• Praktische Übungen zur Implementierung von Algorithmen des überwachten und unüberwachten Lernens in Python.

Der Kurs umfasst eine tiefgehende Einführung in neuronale Netze, die zu den zentralen Techniken des maschinellen Lernens gehören. Du wirst sowohl die theoretischen Grundlagen als auch praktische Anwendungen erlernen.

• Grundlagen neuronaler Netzwerke, inklusive Perzeptron und mehrschichtige Perzeptron.
• Erlernen des Trainings neuronaler Netze mittels der Backpropagation-Methode.
• Einführung in spezielle Netzarchitekturen wie Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN).
• Anwendungen von neuronalen Netzen in Bild- und Textverarbeitung.
• Umsetzung und Training eines neuronalen Netzes mit TensorFlow oder PyTorch.

Ein gründliches Verständnis der Datenvorverarbeitung ist essenziell, um zuverlässige Modelle zu erstellen. Der Kurs deckt alle notwendigen Schritte der Datenvorbereitung ab.

• Techniken der Datenbereinigung, einschließlich Umgang mit fehlenden Werten und Ausreißern.
• Merkmalsauswahl und -extraktion zur Optimierung von Modellen.
• Normierung und Skalierung von Daten für verbesserte Modellleistung.
• Verwendung von Techniken wie One-Hot-Encoding zur Verarbeitung kategorialer Daten.
• Anwendung von Datenaugmentierung für robustere Modelle.

Die Evaluierung und Validierung von Modellen ist ein entscheidender Schritt im maschinellen Lernen. Du lernst verschiedene Methoden zur Modellbewertung kennen und wie Du diese in der Praxis anwenden kannst.

• Unterscheidung zwischen verschiedenen Validierungsmethoden, wie Kreuzvalidierung und Bootstrapping.
• Beurteilung der Modellleistung mittels Metriken wie Accuracy, Precision, Recall und F1-Score.
• Verwendung von ROC-Kurven und AUC zur Modellbewertung.
• Techniken zur Überprüfung von Modellüberanpassung, wie Regularisierung und Dropout.
• Vergleich und Auswahl des besten Modells basierend auf Validierungsergebnissen.