Machine Learning von A-Z: Lerne Python & R für Data Science!

• Erstelle Machine-Learning-Anwendungen sowohl in Python, als auch in R
• Keine trockene Mathematik - alles anschaulich erklärt
• Wende Machine Learning auf eigene Daten an
• Verwende gängige Tools wie Sklearn, NLTK und Caret
• Du wirst Machine Learning übersichtlich und prägnant lernen
• Du wirst wissen, wann du welches Machine-Learning-Modell anwenden kannst
• Lerne mit echten Daten: Viele Praxisbeispiele (Spam-Filter, schätze Preis von Gebrauchtwagen, ...)

Jetzt neu: Zusätzlicher Bonus zum Thema Deep Learning (Neuronale Netze) mit Python, Tensorflow und Keras!

Dieser Kurs enthält über 300 Lektionen, Quizze, Praxisbeispiele, ... - der einfachste Weg, wenn du Machine Learning lernen möchtest.

Schritt für Schritt bringe ich dir maschinelles Lernen bei. In jedem Abschnitt lernst du ein neues Thema - zuerst die Idee / Intuitiondahinter, und anschließend den Code sowohl in Python als auch in R.

Machine Learning macht erst dannrichtig Spaß, wenn man echte Daten auswertet.Deswegen analysierst du indiesem Kursbesonders viele Praxisbeispiele:

• Schätze den Wert von Gebrauchtwagen

• Schreibe einen Spam-Filter

• Diagnostiziere Brustkrebs

• Schreibe ein Programm, wasdie Bedeutung von Adjektiven lernt

• Lese Zahlen aus Bildern ein

Alle Codebeispielewerden dirbeiden Programmiersprachen gezeigt - du kannst also wählen, ob du den Kurs inPython, R, oder in beiden Sprachen sehen möchtest!

Nach dem Kurs kannst du Machine Learning auch auf eigene Daten anwenden und eigenständig fundierte Entscheidungen treffen:

Du weißt, wannwelche Modelle in Frage kommen könnten undwie du diese vergleichst. Du kannstanalysieren, welche Spalten benötigt werden, ob zusätzliche Daten benötigt werden, und weißt, die die Daten vorab aufbereitet werden müssen.

Dieser Kurs behandelt alle wichtigen Themen:

• Regression

• Klassifizierung

• Clustering

• Natural Language Processing

• Bonus:Deep Learning (nur für Python, weil die Tools hier sehr viel ausgereifter sind)

Zu allen diesen Themen lernst du verschiedene Algorithmen kennen. Die Ideen dahinter werden einfach erklärt - keine trockenen,mathematischen Formeln, sondern anschauliche, grafische Erklärungen.

Wir verwenden hierbei gängige Tools (Sklearn, NLTK, caret, data.table, ...), die auch für echte Machine-Learning-Projekte verwendet werden.

Was lernst du alles?

• Regression:

  • Lineare Regression

  • Polynomiale Regression

• Klassifizierung:

  • Logistische Regression

  • Support Vector Machine (SVM)

  • SVM mit Kernel (rbf, poly)

  • Naive Bayes

  • Entscheidungsbäume

  • Random Forest

• Clustering

• Natural Language Processing

  • Tokenizing

  • Stemming

  • POS-Tagging (welchen Typ hat ein Wort?)

• Bonus: Deep Learning / Neuronale Netze (nur Python)

  • Aufbau eines Neuronalen Netzes

  • Was ist ein Neuron?

  • Tensorflow

  • Keras

Zudem lernst du auch, wie du Machine Learning anwendest:

• Dimensionsreduktion mit der Principal Component Analysis(PCA)

• Lese Daten ein, und bereite sie für dein Modell vor

  • Mit vollständigem Praxisbeispiel, Schritt für Schritt erklärt

• Finde die besten Hyperparameter für dein Modell

  • "Parameter Tuning"

  • GridSearch (GridSearchCV in Python /tuneGrid in R)

• Vergleiche Modelle miteinander:

  • Wie dich der Wert für dieGenauigkeit eines Modells in die Irre führen kann, und was du dagegen tun kannst

  • K-Fold Cross-Validation

  • Bestimmtheitsmaß

Mein Ziel ist es, dir mit diesem Kurs den idealen Einsteig in die Welt des Machine Learnings zu bieten.