Gecontroleerd Machine Learning

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!

Laten we beginnen met het eenvoudigste lineaire regressiemodel. U leert het concept achter lineaire regressie en hoe u voorspellingen maakt in Python.

De meeste voorspellingstaken in de praktijk omvatten meer dan één kenmerk. U leert hoe u lineaire regressie met meerdere kenmerken kunt toepassen.

Een rechte lijn beschrijft de gegevens niet altijd goed. Leer hoe u een complexer model voor voorspelling kunt bouwen. Daarvoor is polynomiale regressie geschikt.

Nu je weet hoe je meerdere lineaire regressiemodellen kunt bouwen, heb je een methode nodig om het beste model te selecteren. Dit is mogelijk met behulp van metrische gegevens. In deze sectie worden de meest gebruikte metrische gegevens en de uitdagingen bij het gebruik ervan toegelicht.

Deze sectie introduceert de kernprincipes van reinforcement learning, met aandacht voor de bepalende kenmerken, wiskundige grondslagen en de manier waarop agenten leren door interactie en feedback. U maakt tevens kennis met essentiële hulpmiddelen ter voorbereiding op het bouwen en trainen van uw eerste RL-agenten.

Deze sectie behandelt het multi-armed bandit probleem — een uitstekend kader om het exploratie-exploitatie dilemma te begrijpen. U leert en implementeert algoritmen die agenten helpen beslissingen te nemen onder onzekerheid, waarbij het maximaliseren van de beloning wordt afgewogen tegen de noodzaak tot exploratie.

Deze sectie introduceert dynamisch programmeren als een krachtige methode voor het oplossen van reinforcement learning-problemen wanneer een volledig model van de omgeving beschikbaar is. U leert hoe u beleidsregels kunt evalueren en verbeteren met behulp van Bellman-vergelijkingen en maakt kennis met kerntechnieken zoals beleiditeratie, waarde-iteratie en gegeneraliseerde beleiditeratie — waarmee de theoretische basis wordt gelegd voor toekomstige modelvrije methoden.

Deze sectie introduceert Monte Carlo-methoden voor het leren van waardefuncties en beleidslijnen op basis van volledige episodes van ervaring. U verkent zowel on-policy als off-policy benaderingen, begrijpt hoe exploratie het leerproces beïnvloedt en implementeert incrementele technieken om rendementen efficiënt te schatten — dit alles zonder een model van de omgeving nodig te hebben.

Deze sectie introduceert temporale verschil (TD) leren, een fundamentele methode in reinforcement learning die ideeën uit Monte Carlo en dynamisch programmeren combineert. U leert hoe waarde-functies kunnen worden geschat op basis van onvolledige episodes, verkent zowel on-policy (SARSA) als off-policy (Q-learning) benaderingen, en ontdekt hoe Monte Carlo-methoden en TD-leren gecombineerd kunnen worden.

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.