Superviseret Maskinlæring

Learn the Machine Learning concepts and the ML project workflow.

Preprocessing is probably the most important stage of an ML project. This chapter covers the preprocessing steps needed for almost any dataset.

A pipeline is a neat way to combine all the preprocessing steps as well as a model. Pipelines make it much easier to train and use a model.

Modeling is the most fun stage of an ML project. Let's learn to build, fine-tune and evaluate the model!

Lad os begynde med den simpleste lineære regressionsmodel! Du vil lære idéen bag lineær regression og hvordan man foretager forudsigelser i Python.

De fleste virkelige forudsigelsesopgaver involverer mere end én feature. Du vil lære, hvordan man håndterer lineær regression med flere features.

En ret linje beskriver ikke altid dataene tilstrækkeligt. Lad os lære at opbygge en mere kompleks model til forudsigelse. Det er det, polynomiel regression egner sig til.

Nu hvor du ved, hvordan man bygger mange lineære regressionsmodeller, har du brug for en metode til at vælge den bedste. Dette kan opnås ved hjælp af metrikker. Dette afsnit forklarer de mest anvendte metrikker og de udfordringer, du kan støde på ved brug af dem.

Dette afsnit introducerer de grundlæggende principper for reinforcement learning, herunder dets definerende egenskaber, matematiske fundament og hvordan agenter lærer gennem interaktion og feedback. Du får også praktisk erfaring med essentielle værktøjer som forberedelse til at bygge og træne dine første RL-agenter.

Dette afsnit undersøger multi-armet bandit-problemet — en fremragende ramme for at forstå udfordringen mellem udforskning og udnyttelse. Du vil lære om og implementere algoritmer, der hjælper agenter med at træffe beslutninger under usikkerhed, hvor belønningsmaksimering afvejes mod behovet for udforskning.

Dette afsnit introducerer dynamisk programmering som en effektiv metode til at løse forstærkningslæringsproblemer, når en fuldstændig model af miljøet er tilgængelig. Du vil lære at evaluere og forbedre politikker ved hjælp af Bellman-ligninger og udforske centrale teknikker såsom politik-iteration, værdi-iteration og generaliseret politik-iteration — hvilket danner det teoretiske grundlag for fremtidige model-frie metoder.

Dette afsnit introducerer Monte Carlo-metoder til at lære værdifunktioner og politikker ud fra komplette episoder af erfaring. Du vil udforske både on-policy og off-policy tilgange, forstå hvordan udforskning påvirker læring, og implementere inkrementelle teknikker til effektivt at estimere afkast — alt sammen uden behov for en model af miljøet.

Dette afsnit introducerer temporal difference (TD) læring, en grundlæggende metode inden for reinforcement learning, der kombinerer idéer fra Monte Carlo og dynamisk programmering. Du lærer, hvordan man estimerer værdifunktioner ud fra ufuldstændige episoder, udforsker både on-policy (SARSA) og off-policy (Q-learning) tilgange, samt opdager hvordan Monte Carlo-metoder og TD-læring kan kombineres.

First, we will discuss what a neural network is and how it works. And also consider the scope of its application.

Next, we will try to build our own neural network and see how efficiently it copes with learning. We will also consider a ready-made solution from the scikit-learn library.

Finally, we will give you some additional useful information on how to understand which model to use and what types of neural networks there are. To complete the course, you will be tested on your acquired knowledge.