University of Colorado Boulder
Einführung in das maschinelle Lernen: Überwachtes Lernen

Schenken Sie Ihrer Karriere Coursera Plus mit einem Rabatt von $160 , der jährlich abgerechnet wird. Sparen Sie heute.

University of Colorado Boulder

Einführung in das maschinelle Lernen: Überwachtes Lernen

Geena Kim

Dozent: Geena Kim

14.589 bereits angemeldet

Bei Coursera Plus enthalten

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
3.4

(59 Bewertungen)

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 39 Stunden
In Ihrem eigenen Lerntempo lernen
Auf einen Abschluss hinarbeiten
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
3.4

(59 Bewertungen)

Stufe Mittel

Empfohlene Erfahrung

Flexibler Zeitplan
Ca. 39 Stunden
In Ihrem eigenen Lerntempo lernen
Auf einen Abschluss hinarbeiten

Was Sie lernen werden

  • Verwenden Sie moderne Tools für maschinelles Lernen und Python-Bibliotheken.

  • Vergleichen Sie die Stärken und Schwächen der logistischen Regression.

  • Erklären Sie, wie man mit linear untrennbaren Daten umgeht.

  • Erklären Sie, was ein Entscheidungsbaum ist und wie er Knoten aufteilt.

Kompetenzen, die Sie erwerben

  • Kategorie: Hyperparameter
  • Kategorie: sklearn
  • Kategorie: zusammenstellung
  • Kategorie: Entscheidungsbaum

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

8 Quizzes, 1 Aufgabe

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Maschinelles Lernen: Theorie und praktische Anwendung mit Python
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
  • Lernen Sie neue Konzepte von Branchenexperten
  • Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
  • Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
  • Erwerben Sie ein Berufszertifikat zur Vorlage
Platzhalter
Platzhalter

Erwerben Sie ein Karrierezertifikat.

Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.

Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

Platzhalter

In diesem Kurs gibt es 6 Module

Diese Woche werden wir die Grundlagen des überwachten maschinellen Lernens erarbeiten. Datenbereinigung und EDA mögen nicht glamourös erscheinen, aber der Prozess ist für die Steuerung Ihrer realen Datenprojekte unerlässlich. Die Chancen stehen gut, dass Sie schon einmal von linearer Regression gehört haben. Angesichts des Trubels um das maschinelle Lernen ist es vielleicht überraschend, dass wir mit einer solchen statistischen Standardtechnik beginnen. In "How Not to Be Wrong: The Power of Mathematical Thinking" bezeichnet Jordan Ellenberg die lineare Regression als "die statistische Technik, die für die Sozialwissenschaften das ist, was der Schraubenzieher für die Hausreparatur ist. Es ist das einzige Werkzeug, das Sie so ziemlich immer verwenden werden, egal, um welche Aufgabe es sich handelt" (51). Die lineare Regression ist ein hervorragender Ausgangspunkt für die Lösung von Problemen mit einem kontinuierlichen Ergebnis. Ich hoffe, diese Woche hat Ihnen gezeigt, wie viel Sie mit einem einfachen Modell wie diesem erreichen können.

Das ist alles enthalten

5 Videos12 Lektüren3 Quizzes1 Aufgabe1 Programmieraufgabe1 peer review2 Diskussionsthemen

Diese Woche bauen wir auf den Grundlagen der letzten Woche auf und arbeiten mit komplexeren linearen Regressionsmodellen. Nach dieser Woche werden Sie in der Lage sein, lineare Modelle mit mehreren erklärenden und kategorialen Variablen zu erstellen. Mathematisch und syntaktisch sind multiple lineare Regressionsmodelle eine natürliche Erweiterung der einfacheren linearen Regressionsmodelle, die wir letzte Woche gelernt haben. Einer der Unterschiede, den wir in dieser Woche beachten müssen, ist, dass unser Datenraum jetzt 3D statt 2D ist. Der Unterschied zwischen 3D und 2D hat Auswirkungen auf die Erstellung aussagekräftiger Visualisierungen. Es ist wichtig zu verstehen, wie man Koeffizienten interpretiert. Beim maschinellen Lernen geht es darum, ein Modell strategisch zu iterieren und zu verbessern. In dieser Woche werden Sie im Labor und in der Peer Review Schwachstellen bei linearen Regressionsmodellen identifizieren und diese strategisch verbessern. Wir hoffen, dass Sie diesen iterativen Prozess im Laufe dieses Kurses immer besser beherrschen werden.

Das ist alles enthalten

4 Videos5 Lektüren1 Quiz1 Programmieraufgabe1 peer review

Auch wenn der Name logistische Regression etwas anderes vermuten lässt, werden wir in dieser Woche unsere Aufmerksamkeit von Regressionsaufgaben auf Klassifizierungsaufgaben verlagern. Die logistische Regression ist ein besonderer Fall eines verallgemeinerten linearen Modells. Wie die lineare Regression ist auch die logistische Regression ein weit verbreitetes statistisches Tool und eines der grundlegenden Tools für Ihr Data Science Toolkit. Es gibt viele reale Anwendungen für Klassifizierungsaufgaben, unter anderem im Finanzbereich und in der Biomedizin. In dieser Woche werden Sie sehen, wie dieser klassische Algorithmus Ihnen hilft, vorherzusagen, ob ein Biopsie-Objektträger aus dem berühmten Wisconsin-Brustkrebs-Datensatz eine gutartige oder bösartige Masse aufweist. Wir empfehlen Ihnen auch, in dieser Woche mit dem Abschlussprojekt zu beginnen, das Sie in Woche 7 des Kurses abgeben werden. Suchen Sie diese Woche einen Projektdatensatz, beginnen Sie mit der EDA und definieren Sie Ihr Problem. Nutzen Sie die Projektrubrik als Leitfaden und scheuen Sie sich nicht, sich einige Datensätze anzusehen, bis Sie einen finden, der für das Projekt geeignet ist.

Das ist alles enthalten

4 Videos6 Lektüren1 Quiz1 Programmieraufgabe1 peer review

In dieser Woche lernen wir nicht-parametrische Modelle kennen. k-Nächste Nachbarn macht auf einer intuitiven Ebene Sinn. Entscheidungsbäume sind ein überwachtes Lernmodell, das entweder für Regressions- oder Klassifizierungsaufgaben verwendet werden kann. In Modul 2 haben wir den Kompromiss zwischen Verzerrung und Varianz kennengelernt, und wir haben diesen Kompromiss im Laufe des Kurses im Auge behalten. Hochflexible Baummodelle haben den Vorteil, dass sie komplexe, nicht-lineare Beziehungen erfassen können. Sie sind jedoch anfällig für eine Überanpassung. In dieser und der nächsten Woche werden wir uns mit Strategien wie dem Pruning beschäftigen, um eine Überanpassung mit baumbasierten Modellen zu vermeiden. In dieser Woche werden Sie einen KNN-Klassifikator für den berühmten MNIST-Datensatz erstellen und anschließend einen Spam-Klassifikator mit Hilfe eines Entscheidungsbaummodells entwickeln. In dieser Woche werden wir einmal mehr die Macht einfacher, verständlicher Modelle zu schätzen wissen. Machen Sie weiter mit Ihrem Abschlussprojekt. Sobald Sie Ihren Datensatz und Ihre EDA fertiggestellt haben, beginnen Sie mit dem ersten Ansatz für Ihre Hauptaufgabe des überwachten Lernens. Lesen Sie das Kursmaterial durch, lesen Sie Forschungsarbeiten, schauen Sie sich GitHub-Repositories und Medium-Artikel an, um Ihr Thema zu verstehen und Ihren Ansatz zu planen.

Das ist alles enthalten

5 Videos6 Lektüren1 Quiz1 Programmieraufgabe1 peer review

Letzte Woche haben wir etwas über Baummodelle gelernt. Trotz aller Vorteile von Baummodellen hatten sie einige Schwächen, die schwer zu überwinden waren. Diese Woche werden wir uns mit Ensemble-Methoden befassen, um die Tendenz von Baummodellen zur Überanpassung zu überwinden. Der Gewinner verwendet in vielen Wettbewerben zum maschinellen Lernen einen Ensemble-Ansatz, bei dem die Vorhersagen von mehreren Baummodellen zusammengefasst werden. In dieser Woche werden Sie zunächst etwas über Random Forests und Bagging lernen, eine Technik, bei der derselbe Algorithmus mit verschiedenen Teilmengen der Trainingsdaten trainiert wird. Dann lernen Sie Boosting kennen, eine Ensemble-Methode, bei der die Modelle nacheinander trainiert werden. Sie werden zwei wichtige Boosting-Algorithmen kennenlernen: AdaBoost und Gradient Boosting. In dieser Woche arbeiten Sie an der Hauptanalyse für Ihr Abschlussprojekt. Iterieren und verbessern Sie Ihre Modelle. Vergleichen Sie verschiedene Modelle. Führen Sie eine Optimierung der Hyperparameter durch. Manchmal kann sich dieser Teil eines Projekts zum maschinellen Lernen mühsam anfühlen, aber es wird sich hoffentlich lohnen, wenn Sie sehen, wie sich Ihre Leistung verbessert.

Das ist alles enthalten

4 Videos5 Lektüren1 Quiz1 Programmieraufgabe1 peer review

Diese Woche werden wir uns mit einem weiteren fortgeschrittenen Thema befassen: Support Vector Machines. Lassen Sie sich von dem Namen nicht einschüchtern. In dieser Woche werden wir uns mit diesem leistungsstarken Modell des überwachten Lernens befassen. Wir hoffen, dass Sie ein intuitives Verständnis für die wesentlichen Konzepte wie den Unterschied zwischen harten und weichen Rändern, den Kernel-Trick und die Abstimmung der Hyperparameter entwickeln werden. Nächste Woche werden Sie die drei Ergebnisse Ihres Abschlussprojekts einreichen: den Bericht, die Videopräsentation und einen Link zu Ihrem GitHub-Repository. Nehmen wir an, Sie wollen die Iteration Ihrer Modelle, die Optimierung der Hyperparameter usw. in dieser Woche abschließen. In diesem Fall können Sie in der nächsten Woche Ihrem Bericht den letzten Schliff geben, sicherstellen, dass Ihr GitHub-Repository für die Peer Review bereit ist, und eine hervorragende Präsentation Ihrer Arbeit halten.

Das ist alles enthalten

4 Videos4 Lektüren1 Quiz1 Programmieraufgabe1 peer review

Dozent

Lehrkraftbewertungen
3.1 (29 Bewertungen)
Geena Kim
University of Colorado Boulder
3 Kurse22.781 Lernende

von

Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren

Auf einen Abschluss hinarbeiten

Dieses Kurs ist Teil des/der folgenden Studiengangs/Studiengänge, die von University of Colorado Boulderangeboten werden. Wenn Sie zugelassen werden und sich immatrikulieren, können Ihre abgeschlossenen Kurse auf Ihren Studienabschluss angerechnet werden und Ihre Fortschritte können mit Ihnen übertragen werden.¹

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

Zeigt 3 von 59

3.4

59 Bewertungen

  • 5 stars

    37,28 %

  • 4 stars

    20,33 %

  • 3 stars

    8,47 %

  • 2 stars

    8,47 %

  • 1 star

    25,42 %

JT
4

Geprüft am 12. Nov. 2024

MH
5

Geprüft am 20. Mai 2022

XX
4

Geprüft am 4. Apr. 2024

Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Häufig gestellte Fragen