Machine Learning von A-Z: Lerne Python & R für Data Science!

Machine Learning von A-Z: Lerne Python & R für Data Science!

.MP4 | Video: 1280x720, 30 fps(r) | Audio: AAC, 44100 Hz, 2ch | 9.77 GB

Duration: 32 hours | Genre: eLearning Video | Language: Deutsch

https://www.udemy.com/course/machine-learning-komplett/

Maschinelles Lernen mit vielen Praxisbeispielen: Regression, Klassifizierung, Clustering & Natural Language Processing.

What you'll learn

Erstelle Machine-Learning-Anwendungen sowohl in Python, als auch in R

Keine trockene Mathematik - alles anschaulich erklärt

Wende Machine Learning auf eigene Daten an

Verwende gängige Tools wie Sklearn, NLTK und Caret

Du wirst Machine Learning übersichtlich und prägnant lernen

Du wirst wissen, wann du welches Machine-Learning-Modell anwenden kannst

Lerne mit echten Daten: Viele Praxisbeispiele (Spam-Filter, schätze Preis von Gebrauchtwagen, …)



Requirements



Du solltest zuvor schon einmal ein wenig programmiert habe

Es werden weder Kenntnisse in Python, noch in R vorrausgesetzt

Alle benötigen Tools (R, RStudio, Anaconda, …) installieren wir gemeinsam im Kurs



Description



Dieser Kurs enthält über 300 Lektionen, Quizze, Praxisbeispiele, … - der einfachste Weg, wenn du Machine Learning lernen möchtest.



Schritt für Schritt bringe ich dir maschinelles Lernen bei. In jedem Abschnitt lernst du ein neues Thema - zuerst die Idee / Intuition dahinter, und anschließend den Code sowohl in Python als auch in R.



Machine Learning macht erst dann richtig Spaß, wenn man echte Daten auswertet. Deswegen analysierst du in diesem Kurs besonders viele Praxisbeispiele:



Schätze den Wert von Gebrauchtwagen

Schreibe einen Spam-Filter

Diagnostiziere Brustkrebs

Schreibe ein Programm, was die Bedeutung von Adjektiven lernt

Lese Zahlen aus Bildern ein



Alle Codebeispiele werden dir beiden Programmiersprachen gezeigt - du kannst also wählen, ob du den Kurs in Python, R, oder in beiden Sprachen sehen möchtest!



Nach dem Kurs kannst du Machine Learning auch auf eigene Daten anwenden und eigenständig fundierte Entscheidungen treffen:



Du weißt, wann welche Modelle in Frage kommen könnten und wie du diese vergleichst. Du kannst analysieren, welche Spalten benötigt werden, ob zusätzliche Daten benötigt werden, und weißt, die die Daten vorab aufbereitet werden müssen.



Dieser Kurs behandelt alle wichtigen Themen:



Regression

Klassifizierung

Clustering

Natural Language Processing



Zu allen diesen Themen lernst du verschiedene Algorithmen kennen. Die Ideen dahinter werden einfach erklärt - keine trockenen, mathematischen Formeln, sondern anschauliche, grafische Erklärungen.



Wir verwenden hierbei gängige Tools (Sklearn, NLTK, caret, data.table, …), die auch für echte Machine-Learning-Projekte verwendet werden.



Was lernst du alles?



Regression:

Lineare Regression

Polynomiale Regression

Klassifizierung:

Logistische Regression

Support Vector Machine (SVM)

SVM mit Kernel (rbf, poly)

Naive Bayes

Entscheidungsbäume

Random Forest

Clustering

Natural Language Processing

Tokenizing

Stemming

POS-Tagging (welchen Typ hat ein Wort?)



Zudem lernst du auch, wie du Machine Learning anwendest:



Dimensionsreduktion mit der Principal Component Analysis (PCA)

Lese Daten ein, und bereite sie für dein Modell vor

Mit vollständigem Praxisbeispiel, Schritt für Schritt erklärt

Finde die besten Hyperparameter für dein Modell

"Parameter Tuning"

GridSearch (GridSearchCV in Python / tuneGrid in R)

Vergleiche Modelle miteinander:

Wie dich der Wert für die Genauigkeit eines Modells in die Irre führen kann, und was du dagegen tun kannst

K-Fold Cross-Validation

Bestimmtheitsmaß



Mein Ziel ist es, dir mit diesem Kurs den idealen Einsteig in die Welt des Machine Learnings zu bieten.



Who this course is for:



Entwickler, die sich für Machine Learning interessieren