Launching into Machine Learning auf Deutsch

Overview

Save Big on Coursera Plus. 7,000+ courses at $160 off. Limited Time Only!

Grab it

**Wir möchten Sie darüber informieren, dass der Kurs Launching into Machine Learning auf Deutsch am 28. August 2020 geschlossen und nicht mehr angeboten wird.**

Nach einem ersten Überblick über die Geschichte von ML erfahren Sie in diesem Kurs, weshalb heute mithilfe neuronaler Netzwerke viele Probleme so erfolgreich gelöst werden können. Wir erklären anschließend, wie Sie überwachtes Lernen zur Problemlösung einrichten und mithilfe des Gradientenverfahrens gute Ergebnisse erzielen. Dazu sind Datasets erforderlich, mit denen die Generalisierung möglich ist. In diesem Kurs zeigen wir Ihnen, wie Sie Datasets auf wiederholbare Weise erstellen, um Experimente zu ermöglichen.

Kursziele:
Erkennen, warum Deep Learning derzeit beliebt ist
Modelle anhand von Verlustfunktionen und Leistungsmesswerten optimieren und auswerten
Häufige Probleme rund um maschinelles Lernen minimieren
Wiederholbare und skalierbare Datasets zum Trainieren, Auswerten und Testen erstellen

Syllabus

Einführung
-Dieser Kurs vermittelt Ihnen ML-Basiswissen, damit Sie die Terminologie kennenlernen, die wir während der Spezialisierung verwenden. Sie bekommen außerdem praktische Tipps und Hinweise zu Fallstricken von ML-Fachleuten bei Google. Am Ende nehmen Sie den Code und das Fachwissen für Ihre eigenen ML-Modelle mit.

ML in der Praxis
-In diesem Modul stellen wir einige der wichtigsten Arten maschinellen Lernens vor und sehen uns noch einmal die Entwicklung ML an. Sie können so schneller in die ML-Praxis einsteigen.

Optimierung
-In diesem Modul gehen wir die Optimierung von ML-Modellen durch.

Generalisierung und Stichprobenerhebung
-Jetzt ist es an der Zeit, eine recht seltsam anmutende Frage zu beantworten: Wann ist das genaueste ML-Modell nicht die beste Wahl? Wie wir im letzten Modul zur Optimierung angedeutet haben, erbringt ein Modell mit einem Verlustwert von 0 mit Ihrem Trainings-Dataset nicht automatisch auch mit realen Datasets ein gutes Ergebnis.

Zusammenfassung