Machine Learning vom Anfanger zum ML Engineer

Lerne alle wichtigen Grundlagen des Maschinellen Lernens in diesem Kurs! Theoretische Grundlagen + Viele Praxisbeispiele
Machine Learning vom Anfanger zum ML Engineer
File Size :
11.75 GB
Total length :
16h 15m

Category

Instructor

Robin Egolf, Teachhood

Language

Last update

Zuletzt aktualisiert am 6/2021

Ratings

4.3/5

Machine Learning vom Anfanger zum ML Engineer

What you’ll learn

Hands on Machine Learning
Löse Probleme der echten Welt mit Machine Learning Modellen
Viele praxisnahe Beispiele
Theoretische Grundlagen der wichtigsten Konzepte im Machine Learning

Machine Learning vom Anfanger zum ML Engineer

Requirements

Grundkenntnisse im Programmieren

Description

In diesem Kurs lernt ihr alles was ihr auf dem Weg zu einem erfolgreichen Machine Learning Engineer bzw. Data Scientist benötigt. Neben vielen theoretischen Visualisierungen und veranschaulichenden Beispielen, bringt dieser Kurs ebenso extrem viele Praxisbeispiele mit. Damit ihr nicht nur die theoretischen Grundlagen kennenlernt, sondern auch lernt diese in der Praxis anzuwenden und selbstständig auf neue Datensätze übertragen könnt! Darüber hinaus warten viele Aufgaben auf euch, die ihr selbst bearbeiten könnt, um das Gelernte noch weiter zu vertiefen! Selbstverständlich warten im Anschluss an die Aufgaben ausführliche Musterlösungen auf euch, so dass ihr bei Problemen jederzeit in der Lösung nachsehen könnt. Dieser Kurs wurde in 8 Abschnitte unterteilt. Als erstes beginnen wir mit einer kurzen Einleitung und erklären euch das Grundprinzip des Maschinellen Lernens. Im Anschluss daran beschäftigen wir uns mit der Learning Theory, worauf im vierten Kapitel die Evaluation folgt. Im fünften Kapitel dreht sich dann alles um die Datenvorverarbeitung. Das darauffolgende Kapitel beschäftigt sich dann mit allen wichtigen Modellen im Bereich des Maschinellen Lernens und gibt euch die besten Algorithmen für den Erfolg als Machine Learning Engineer mit auf den Weg. Das siebte Kapitel geht näher auf den Themenbereich des Clustering ein. Zu guter Letzt bietet der Kurs als Bonus noch ein Kapitel zur Einführung in Neuronale Netze, mit welchen sich wohl die mächtigsten Modelle der heutigen Zeit darstellen lassen.Als krönender Abschluss erwartet euch darüber hinaus noch ein Praxisbeispiel im Rahmen einer Data Science Competition!

Overview

Section 1: Einleitung

Lecture 1 Einleitungsvideo ML Kurs

Lecture 2 Installation Python

Section 2: Python Einführung

Lecture 3 Python Einführung Vorwort

Lecture 4 Python Einführung Disclaimer

Lecture 5 Programm speichern und starten

Lecture 6 Datentypen Zahlen

Lecture 7 Datentyp String

Lecture 8 Datentyp Boolean und None

Lecture 9 Datentypen Rechenoperationen

Lecture 10 Datentypen Operationen mit Strings

Lecture 11 Datentypen Aufgabe 1

Lecture 12 Datentypen Lösung Aufgabe 1

Lecture 13 Datentyp Listen

Lecture 14 List Comprehension

Lecture 15 Datentyp Tupel

Lecture 16 Datentyp Dictionary

Lecture 17 Datentyp Set

Lecture 18 Datentyp Collections Zusammenfassung

Lecture 19 Datentypen Aufgabe 2

Lecture 20 Datentypen Lösung Aufgabe 2

Lecture 21 Vergleiche von Datentypen

Lecture 22 If-Abfragen

Lecture 23 Verzweigungen Aufgabe

Lecture 24 Verzweigungen Lösung

Lecture 25 While-Schleifen

Lecture 26 For-Schleifen

Lecture 27 Schleifen Aufgabe

Lecture 28 Schleifen Lösung

Lecture 29 Funktionen Teil 1

Lecture 30 Funktionen Teil 2

Lecture 31 Lambda Funktionen

Lecture 32 Funktionen Aufgabe

Lecture 33 Funktionen Lösung

Lecture 34 Einführung Objektorientierte Programmierung

Lecture 35 Objektorientierte Programmierung (OOP)

Lecture 36 Aufgabe Objektorientierte Programmierung

Lecture 37 Lösung Objektorientierte Programmierung

Lecture 38 Vererbung OOP

Lecture 39 Aufgabe Vererbung

Lecture 40 Lösung Vererbung

Lecture 41 Python Abschluss

Section 3: Grundprinzip ML

Lecture 42 Einordnung von ML

Lecture 43 Arten des Machine Learning

Lecture 44 Aufbau Datensatz

Lecture 45 Datensatz einlesen

Lecture 46 Basics Supervised Learning

Lecture 47 K-nearest neighbor

Lecture 48 Distanzmaße KNN

Lecture 49 KNN Praxisbeispiel

Lecture 50 Aufgabe KNN

Lecture 51 Musterlösung Aufgabe KNN

Section 4: Learning Theory

Lecture 52 Einleitung

Lecture 53 Verlustfunktionen Regression

Lecture 54 Praxisbeispiel Verlustfunktionen Regression

Lecture 55 Verlustfunktionen Klassifikation

Lecture 56 Praxisbeispiel Verlustfunktionen Klassifikation

Lecture 57 Praxisbeispiel Verlustfunktionen Generalisierung

Lecture 58 Einführung Over- und Underfitting

Lecture 59 Bias-Variance Tradeoff

Lecture 60 Zusammenfassung Over- und Underfitting

Lecture 61 Schwankungen Testfehler Praxisbeispiel

Lecture 62 K-fold Cross Validation

Lecture 63 Bootstrap Validation

Lecture 64 Train Test Val Split

Lecture 65 K-fold Praxisbeispiel

Lecture 66 Aufgabe K-fold

Lecture 67 Musterlösung Aufgabe K-fold

Section 5: Evaluation

Lecture 68 Konfusionsmatrix

Lecture 69 Praxisbeispiel Konfusionmatrix

Lecture 70 Evaluationsmetriken

Lecture 71 Praxisbeispiel Metriken

Lecture 72 ROC

Lecture 73 Praxisbeispiel ROC

Lecture 74 Aufgabe Evaluation

Lecture 75 Musterlösung Aufgabe Evaluation

Section 6: Datenvorverarbeitung

Lecture 76 Einführung Datenvorverarbeitung

Lecture 77 Datenvisualisierung

Lecture 78 Feature Selection

Lecture 79 Feature Scaling

Lecture 80 Praxisbeispiel Scaling

Lecture 81 Kategorische Variablen

Lecture 82 Praxisbeispiel kategorische Variablen

Lecture 83 Curse of Dimensionality

Lecture 84 Missing Values

Lecture 85 Praxisbeispiel Missing Values

Lecture 86 Imbalanced Data

Lecture 87 Praxisbeispiel Imbalanced Data

Lecture 88 Praxisbeispiel Feature Engineering

Lecture 89 Vollständiges Praxisbeispiel Teil 1: Missing Values

Lecture 90 Vollständiges Praxisbeispiel Teil 2: Kategorische Variablen

Lecture 91 Vollständiges Praxisbeispiel Teil 3: Scaling

Lecture 92 Vollständiges Praxisbeispiel Teil 4: Modell erstellen

Lecture 93 Aufgabe Datenvorverarbeitung

Lecture 94 Musterlösung Teil 1: numerische Variablen

Lecture 95 Musterlösung Teil 2: kategorische Variablen

Lecture 96 Musterlösung Teil 3: Vorverarbeitung mit pandas

Lecture 97 Musterlösung Teil 4: Vorverarbeitung mit pipelines

Lecture 98 Musterlösung Teil 5: finales Modell

Lecture 99 Zusammenfassung Aufgabe

Section 7: Modelle

Lecture 100 Einführung Modelle

Lecture 101 Hyperparameter vs. Parameter

Lecture 102 Praxisbeispiel Handy Einführung / Korrelation

Lecture 103 KNN Fortgeschritten

Lecture 104 Praxisbeispiel KNN

Lecture 105 Lineare/Logistische Regression

Lecture 106 Praxisbeispiel Logistische Regression

Lecture 107 Gradient Descent

Lecture 108 Praxisbeispiel Gradient Descent

Lecture 109 Support Vector Machine

Lecture 110 Praxisbeispiel Support Vector Machine

Lecture 111 Praxisbeispiel Stochastic Gradient Descent

Lecture 112 Decision Trees

Lecture 113 Hyperparameter Decision Trees

Lecture 114 Praxisbeispiel Decision Trees

Lecture 115 Ensemblemodelle

Lecture 116 Praxisbeispiel Ensemblemodelle

Lecture 117 Bagging und Pasting

Lecture 118 Random Forest

Lecture 119 Praxisbeispiel Random Forest

Lecture 120 Boosting

Lecture 121 Boosting Visualisierungsbeispiel

Lecture 122 Praxisbeispiel Boosting

Lecture 123 Interpretierbarkeit Modelle

Lecture 124 Praxisaufgabe Teil 1: Vorverarbeitung numerische Variablen

Lecture 125 Praxisaufgabe Teil 2: Vorverarbeitung kategorische Variablen

Lecture 126 Praxisaufgabe Teil 3: Pipelines

Lecture 127 Praxisaufgabe Teil 4: Modelle

Section 8: Clustering

Lecture 128 Clustering Theorie

Lecture 129 Clustering Praxisbeispiel 1

Lecture 130 Clustering Praxisbeispiel Pokemon

Section 9: Einführung in Neuronale Netze

Lecture 131 Einführung in Neuronale Netze

Lecture 132 Aktivierungsfunktionen Teil 1

Lecture 133 Aktivierungsfunktionen Teil 2

Lecture 134 Praxisbeispiele Neuronale Netze

Section 10: Data Science Wettkampf

Lecture 135 Einführung Data Science Wettkampf

Lecture 136 Explorative Datenanalyse Data Science Wettkampf

Lecture 137 Missing Values Data Science Wettkampf Teil 1

Lecture 138 Missing Values Data Science Wettkampf Teil 2

Lecture 139 Missing Values Data Science Wettkampf Teil 3

Lecture 140 Feature Engineering Data Science Wettkampf

Lecture 141 Modelle erstellen Data Science Wettkampf

Lecture 142 Einreichung Data Science Wettkampf

Lecture 143 Abschlussvideo

Quereinsteiger,Studenten,Unternehmen,Angestellte

Course Information:

Udemy | Deutsch | 16h 15m | 11.75 GB
Created by: Robin Egolf, Teachhood

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top