Tutorial für maschinelles Lernen Einführung in das maschinelle Lernen Lernpfad für maschinelles Lernen Lebenszyklus des maschinellen Lernens Wie maschinelles Lernen funktioniert Grundlegende Begriffe im maschinellen Lernen Python-Einstieg ins maschinelle Lernen Python-Bibliotheken für maschinelles Lernen Gängige Datentypen Anwendungen des maschinellen Lernens

Datenverarbeitung und Statistik

Datenverständnis Datenbereinigung Feature-Engineering Datenvisualisierung Aufteilung in Trainings- und Testsatz Grundlagen der Statistik Probabilistisches Denken Verlustfunktionen und Gradienten Overfitting, Underfitting, Bias und Varianz

Überwachtes Lernen

Algorithmen für maschinelles Lernen Lineare Regression Multiple lineare Regression Polynomielle Regression Logistische Regression Evaluierung von Regressionsmodellen Entscheidungsbaum Support-Vektor-Maschine K-Nächste-Nachbarn-Algorithmus Ensemble-Lernen Naive Bayes Random Forest Klassifikationsmetriken

Unüberwachtes Lernen

Clustering Dimensionsreduktion

Bestärkendes Lernen

Grundgerüst des bestärkenden Lernens Exploration vs. Exploitation beim bestärkenden Lernen Q-Learning und SARSA beim bestärkenden Lernen Deep Reinforcement Learning

Deep Learning

Grundstruktur neuronaler Netze Vorwärtspropagation und Backpropagation Deep Learning vs. traditionelles maschinelles Lernen Gängige Netzwerktypen

Modelloptimierung und -engineering

Kreuzvalidierung Regularisierung Datenleck Ensemble-Methode Hyperparametersuche MLOps-Konzepte Allgemeine Fehlerbehebung

Grenzen und Beschränkungen des maschinellen Lernens

Probleme der Interpretierbarkeit Einschränkungen der Annahmen Datenverzerrung Reale Kosten von Modellen

Praxisbeispiele

Titanic-Überlebensvorhersage Vorhersage von Hauspreisen Maschinelles Lernen - Kundensegmentierung PCA-Visualisierung Beispiele für bestärkendes Lernen