Machine Learning Mastery

Erlernen der Konzepte des maschinellen Lernens und des Workflows von ML-Projekten.

Die Vorverarbeitung ist wahrscheinlich die wichtigste Phase eines ML-Projekts. Dieses Kapitel behandelt die für nahezu jeden Datensatz erforderlichen Vorverarbeitungsschritte.

Eine Pipeline ist eine elegante Methode, um alle Vorverarbeitungsschritte sowie ein Modell zu kombinieren. Pipelines erleichtern das Trainieren und die Nutzung eines Modells erheblich.

Die Modellierung ist die spannendste Phase eines ML-Projekts. Lernen Sie, das Modell zu erstellen, zu optimieren und zu evaluieren!

Beginnen wir mit dem einfachsten Modell der linearen Regression! Sie lernen das Konzept der linearen Regression kennen und erfahren, wie Vorhersagen in Python getroffen werden.

Die meisten Vorhersageaufgaben in der Praxis beinhalten mehr als ein Merkmal. Sie lernen, wie man lineare Regression mit mehreren Merkmalen durchführt.

Eine Gerade beschreibt die Daten nicht immer ausreichend. Lernen Sie, wie ein komplexeres Modell für Vorhersagen erstellt wird. Dafür eignet sich die polynomiale Regression.

Nachdem Sie nun wissen, wie man verschiedene lineare Regressionsmodelle erstellt, benötigen Sie eine Methode, um das beste auszuwählen. Dies ist mithilfe von Metriken möglich. In diesem Abschnitt werden die am häufigsten verwendeten Metriken sowie die Herausforderungen bei deren Anwendung erläutert.

Tauchen Sie in die Grundlagen der Clusteranalyse ein und erfahren Sie, wie sie sich von der Klassifikation unterscheidet. Entdecken Sie wesentliche Algorithmen, Werkzeuge und Bibliotheken, die diese Methode des unbeaufsichtigten Lernens unterstützen, um verborgene Muster in Daten aufzudecken.

Erwerben Sie ein fundiertes Verständnis der wichtigsten Vorverarbeitungstechniken, die eine effektive Clusterbildung gewährleisten. Erfahren Sie, wie fehlende Werte behandelt, kategoriale Merkmale codiert, Daten normalisiert und geeignete Distanzmaße sowie Verknüpfungen ausgewählt werden, um die Genauigkeit der Clusterbildung zu erhöhen.

Beherrschen der Fähigkeiten zur effektiven Anwendung des K-Means-Clusterings. Verständnis der Funktionsweise des Algorithmus. Bestimmung der optimalen Anzahl von Clustern. Praktische Erfahrung durch Implementierung von K-Means auf synthetischen und realen Datensätzen.

Erkunden Sie die Grundlagen des hierarchischen Clusterings und erfahren Sie, wie Daten mithilfe von Dendrogrammen in sinnvolle Cluster gruppiert werden. Sicherheit beim Erkennen der optimalen Clusteranzahl und Anwendung der Methode auf synthetische sowie reale Datensätze.

Erfahren Sie, wie DBSCAN bei der Erkennung von Clustern unterschiedlicher Formen und der Behandlung von Ausreißern in Daten überzeugt. Verstehen Sie die Mechanismen dieses dichtebasierten Algorithmus, die Zuordnung von Punkten zu Clustern und die Anwendung auf synthetische sowie reale Datensätze.

Fundierte Kenntnisse über Gaußsche Mischmodelle und deren Verwendung von Wahrscheinlichkeiten zur Modellierung komplexer Clusterformen. Prinzipien der Gaußschen Verteilung. Funktionsweise von GMMs. Anwendung auf Dummy- und Realweltdaten zur Festigung des Verständnisses.

Erfahren Sie, wie Agenten durch Versuch und Irrtum optimale Entscheidungen treffen. Lernen Sie die Grundlagen der Theorie des Reinforcement Learning kennen. Praktische Erfahrung mit der Einrichtung und Ausführung einer Gymnasium-Umgebung sammeln.

Beherrschung des Trade-offs zwischen Exploration und Exploitation anhand des Multi-Armed-Bandit-Problems. Implementierung von Aktionswertschätzung, ε-greedy, Upper Confidence Bound und Gradient-Bandit-Methoden. Bewertung der Leistungsfähigkeit von Algorithmen bei simulierten Aufgaben zur Belohnungsmaximierung.

Dynamische Programmierung für modellbasiertes RL beherrschen. Entdecken, wie Bellman-Gleichungen zur Bewertung und Verbesserung von Politiken verwendet werden können. Implementierung von Policy- und Value-Iteration-Algorithmen. Untersuchung der generalisierten Policy-Iteration als theoretische Grundlage für modellfreie Methoden.

Beherrschung der Monte-Carlo-Methoden für modellfreies RL. Schätzung von Wertfunktionen und Ableitung optimaler Politiken aus vollständigen Episoden. Implementierung von On-Policy- und Off-Policy-Monte-Carlo-Kontrollalgorithmen. Entdeckung von Explorationsstrategien zur Optimierung des modellfreien Lernens.

Beherrschung des Temporal-Differenz-Lernens für modellfreies RL. Schätzung von Wertfunktionen aus partiellen Episoden mittels TD(0)-Aktualisierungen. Implementierung von On-Policy-SARSA- und Off-Policy-Q-Learning-Algorithmen. Verständnis der Kombination von Monte-Carlo-Methoden und TD-Lernen in n-Schritt-TD und TD(λ).

Zunächst besprechen wir, was ein neuronales Netzwerk ist und wie es funktioniert. Außerdem betrachten wir den Anwendungsbereich.

Als Nächstes werden wir versuchen, ein eigenes neuronales Netzwerk zu erstellen und beobachten, wie effizient es das Lernen bewältigt. Außerdem betrachten wir eine fertige Lösung aus der scikit-learn-Bibliothek.

Abschließend erhalten Sie zusätzliche nützliche Informationen darüber, wie Sie das passende Modell auswählen und welche Arten von neuronalen Netzen existieren. Zum Abschluss des Kurses wird Ihr erworbenes Wissen überprüft.