In diesem Modul lernen Sie zwei grundlegende statistische Modellierungsmethoden kennen, die lineare Regression und die logistische Regression, die als klassische Modelle für maschinelles Lernen gelten. Die lineare Regression, die häufig bei der Lösung von Problemen in der Praxis eingesetzt wird, modelliert eine lineare Beziehung zwischen unabhängigen Variablen und einer abhängigen Variable. Die logistische Regression, eine Erweiterung der linearen Regression, fungiert als Klassifikator und kann durch Transformation der Eingaben nichtlineare Beziehungen verarbeiten. Durch die Implementierung dieser Modelle erhalten Sie einen Einblick in ihre Grenzen und verstehen die Fortschritte, die moderne maschinelle Lernmodelle bieten, besser.

In diesem Modul lernen Sie, wie man moderne überwachte maschinelle Lernmodelle implementiert. Sie werden zunächst verstehen, wie binäre Klassifikation funktioniert und entdecken, wie man einen Multiklassenklassifikator aus binären Klassifikationskomponenten konstruiert. Sie werden lernen, was Entscheidungsbäume sind, wie sie lernen und wie man sie aufbaut. Entscheidungsbäume, die zur Lösung von Klassifizierungsproblemen verwendet werden, haben eine natürliche Erweiterung, die Regressionsbäume, die Regressionsprobleme behandeln können. Sie lernen andere überwachte Lernmodelle kennen, z. B. KNN und SVM. Sie lernen, was Verzerrung und Varianz bei der Modellanpassung bedeuten, und den Kompromiss zwischen Verzerrung und Varianz, der allen Lernmodellen in unterschiedlichem Ausmaß innewohnt. Sie lernen Strategien zur Abschwächung dieses Zielkonflikts kennen und arbeiten mit Modellen, die dieses Ziel sehr gut erreichen.

In diesem Modul lernen Sie das unüberwachte Lernen kennen, einen Ansatz des maschinellen Lernens, der keine markierten Daten benötigt. Anstatt korrekte Antworten zu verwenden, identifizieren diese Algorithmen Muster in Daten auf der Grundlage von Ähnlichkeit. Diese Muster bilden Cluster in einem N-dimensionalen Merkmalsraum, in dem Datenpunkte, die nahe beieinander liegen, als Cluster betrachtet werden können. Cluster können eine hierarchische Struktur haben, ähnlich wie natürliche Systeme, z. B. Galaxien oder biologische Taxonomien. Sie werden etwas über Clustering-Algorithmen lernen und darüber, wie unüberwachtes Lernen Merkmale für andere Modellierungsaufgaben reduzieren kann, indem Sie Python zur Implementierung verschiedener Clustering- und Dimensionalitätsreduktionstechniken verwenden.

In diesem Modul lernen Sie, wie Sie die Leistung von überwachten maschinellen Lernmodellen mithilfe verschiedener Metriken bewerten können, je nachdem, ob Sie Klassifizierungs- oder Regressionsmodelle erstellen. Sie werden Hyperparameter-Abstimmungstechniken wie die Kreuzvalidierung erforschen, um eine Überanpassung zu verhindern und eine unvoreingenommene Modellbewertung zu gewährleisten. Außerdem lernen Sie Regularisierungstechniken für lineare Regression kennen, um durch Rauschen und Ausreißer verursachte Überanpassung zu verringern. Schließlich werden Sie praktische Erfahrungen mit dem Aufbau, der Feinabstimmung und der Bewertung von Modellen mit diesen Techniken sammeln.

In diesem Modul liegt der Schwerpunkt auf der Anwendung und Demonstration der im Kurs erworbenen Fähigkeiten, indem Sie eine umfassende Abschlussaufgabe bearbeiten. In dieser Aufgabe werden Sie historische Niederschlagsdaten analysieren, um ein Klassifikationsmodell zu entwickeln und zu optimieren. Sie führen ein Feature-Engineering durch, bewerten die Leistung des Modells mit verschiedenen Klassifikatoren und fassen Ihre Ergebnisse in Form von Visualisierungen zusammen. Sobald Sie die Aufgabe abgeschlossen haben, wird sie im nächsten Abschnitt automatisch von einem KI-Bewertungstool benotet.