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

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