Überwachtes Maschinelles Lernen

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!

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.

In diesem Abschnitt werden die grundlegenden Prinzipien des Reinforcement Learning vorgestellt, einschließlich seiner charakteristischen Merkmale, mathematischen Grundlagen und der Art und Weise, wie Agenten durch Interaktion und Rückmeldung lernen. Zudem erfolgt eine praktische Einführung in wichtige Werkzeuge zur Vorbereitung auf die Entwicklung und das Training erster RL-Agenten.

In diesem Abschnitt wird das Multi-Armed-Bandit-Problem behandelt – ein hervorragendes Beispiel zur Veranschaulichung des Dilemmas zwischen Exploration und Exploitation. Es werden Algorithmen vorgestellt und implementiert, die Agenten bei Entscheidungen unter Unsicherheit unterstützen, indem sie die Maximierung der Belohnung mit dem Erfordernis der Exploration ausbalancieren.

Dieser Abschnitt führt die dynamische Programmierung als leistungsstarke Methode zur Lösung von Reinforcement-Learning-Problemen ein, wenn ein vollständiges Modell der Umgebung verfügbar ist. Sie lernen, wie Politiken mithilfe der Bellman-Gleichungen bewertet und verbessert werden, und erkunden zentrale Techniken wie Policy Iteration, Value Iteration und Generalized Policy Iteration – als theoretische Grundlage für zukünftige modellfreie Methoden.

In diesem Abschnitt werden Monte-Carlo-Methoden zur Erlernung von Wertfunktionen und Strategien aus vollständigen Episoden von Erfahrungen vorgestellt. Es werden sowohl On-Policy- als auch Off-Policy-Ansätze behandelt, der Einfluss von Exploration auf das Lernen erläutert und inkrementelle Techniken zur effizienten Schätzung von Erträgen implementiert – alles ohne ein Modell der Umgebung zu benötigen.

Dieser Abschnitt führt in das Temporal-Differenz-(TD)-Lernen ein, eine grundlegende Methode im Reinforcement Learning, die Konzepte aus Monte-Carlo-Methoden und dynamischer Programmierung vereint. Es wird erläutert, wie Wertfunktionen aus unvollständigen Episoden geschätzt werden, sowohl On-Policy- (SARSA) als auch Off-Policy-Ansätze (Q-Learning) behandelt und aufgezeigt, wie Monte-Carlo-Methoden und TD-Lernen kombiniert werden können.

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.