Machine Learning A-Z: Projektbasiertes Lernen im Bereich KI

About Machine Learning A-Z: Projektbasiertes Lernen im Bereich KI

Bist du fasziniert von Machine Learning und Data Science? Dann tauche mit diesem Kurs in die spannende Welt der Daten ein und erlebe, wie viel Spaß es macht, komplexe Probleme mit intelligenten Technologien zu lösen!

Ich werde dir Schritt für Schritt die wichtigsten Konzepte beibringen, um dir den optimalen Einstieg zu ermöglichen.

Zusätzlich erhältst du in diesem Kurs die Möglichkeit, an 14 realen Python-Projekten zu arbeiten. Mit diesen Projekten wirst du die erlernten Konzepte vertiefen und ihre praktische Anwendung erleben.

Nach Beendigung des Kurses kannst du alle Projekte in dein Projektportfolio aufnehmen, um beispielsweise potenziellen Arbeitgebern zu demonstrieren, an welchen spannenden Projekten du gearbeitet und welche wertvollen Fähigkeiten du erworben hast.

In diesen Projekten geht es unter anderem um folgende Themen:

Kundenkaufverhalten und Unternehmensgewinne vorhersagen

Untersuchung der Auswirkungen von Marketingausgaben auf den Tourismussektor

Analyse des Einflusses von Schlaf auf unser emotionales Wohlbefinden

Prognose von COVID-19-Neuinfektionen und Aktienkursen

Zielgruppenidentifikation für die Expansion in neue Märkte

Automatisierte Kundenbewertungsanalyse im Bereich E-Commerce

Vorhersage der Trinkwasserqualität mithilfe eines Random Forest Classifiers

Dieser Kurs deckt die wichtigsten Themen im Bereich Machine Learning und Data Science ab:

Regression:

Lineare Regression

Multiple Lineare Regression

Polynomiale Regression

Decision Tree Regression

Random Forest Regression

XGBoost Regression

Time Series Regression

Klassifikation:

Decision Tree Classifier

Logistische Regression

KNN - K-Nächste-Nachbarn

SVM - Support Vector Machine

Naiver Bayes-Klassifikator

K-Means Clustering

NLP - Natural Language Processing:

Tokens erstellen

Part-of-speech tagging

Lemmatisierung

Count-Features erstellen

Künstliche neuronale Netze - Deep Learning mit TensorFlow und Keras:

Funktionsweise von Neuronen

Zusammensetzung: Input Layer, Hidden Layers, Output Layer

Aktivierungsfunktionen

Batch-Größen und Epochen

Backpropagation-Algorithmus

Weitere Konzepte:

Visualisierung und Analyse von Daten

Data Preprocessing und Data Pipelines

Kreuzvalidierung

Hyperparameteroptimierung

Feature Engineering

Regressionsmetriken: MAE, MSE, RMSE, ...

Klassifikationsmetriken: Accuracy, Precision, Recall, F1-Score, ...

Wichtigsten Python-Bibliotheken:

Scikit-learn

Pandas

NumPy

Matplotlib

Seaborn

XGBoost

TensorFlow

Keras

NLTK