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
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