Dieses Modul konzentriert sich darauf, die Lernenden durch den kompletten Arbeitsablauf bei der Erstellung ihres ersten maschinellen Lernmodells zu führen. Die Lernenden werden in die Datenvorbereitung, die explorative Datenanalyse (EDA) und die Techniken des Feature Engineering eintauchen. Sie lernen, ein K-Nearest Neighbors (KNN)-Modell zu erstellen, die Modellbewertung zu verstehen und entscheidende Überlegungen für den Einsatz eines ML-Modells in realen Anwendungen anzustellen.

In diesem Modul werden die Teilnehmer in die Feinheiten von Vorhersagemodellen eintauchen. Sie werden die Bewertungsmetriken für Regressions- und Klassifikationsmodelle erforschen und praktische Erfahrungen mit praktischen Implementierungen sammeln. Das Modul befasst sich auch mit Techniken der Datenteilung und Benchmarking und vermittelt den Teilnehmern ein umfassendes Verständnis für die effektive Bewertung von Prognosemodellen.

In diesem Modul werden die Lernenden eine umfassende Erkundung der Regressionstechniken vornehmen. Vom Verständnis der Prinzipien der linearen und logistischen Regression bis hin zu ihrer praktischen Anwendung erhalten Sie wertvolle Einblicke in die prädiktive Modellierung. Mit dem Schwerpunkt auf realen Szenarien lernen Sie, wie Sie Vorhersagen treffen, Ergebnisse interpretieren und Modelle optimieren können.

In diesem Modul lernen Sie die verschlungenen Pfade der Entscheidungsbäume kennen. Entscheidungsbäume bieten einen transparenten und dennoch leistungsstarken Ansatz für Klassifizierungs- und Regressionsaufgaben. Sie lernen die Mechanismen der Konstruktion von Entscheidungsbäumen kennen, lernen, wie man mit Überanpassung durch Pruning und Regularisierung umgeht, und entdecken die Kunst der Feinabstimmung von Entscheidungsbäumen für optimale Ergebnisse.

In diesem Modul werden die Teilnehmer die Geheimnisse des unüberwachten maschinellen Lernens lüften, indem sie sich mit Clustering-Techniken beschäftigen. Sie werden die Leistungsfähigkeit von KMeans und Density-Based Spatial Clustering of Applications with Noise (DBSCAN) bei der Gruppierung ähnlicher Datenpunkte entdecken. Sie werden auch erkunden, wie unüberwachtes Lernen die Datenexploration, die Kundensegmentierung und die Erkennung von Anomalien revolutioniert.