Beherrschen Sie den Lebenszyklus des maschinellen Lernens mit Python – von der Datenaufbereitung und -visualisierung bis hin zur Modellbewertung und -optimierung. Sie beginnen mit den CORE-Konzepten des maschinellen Lernens und erwerben praktische Kenntnisse in der numerischen Berechnung mit NumPy sowie in der strukturierten Datenanalyse mit Pandas. Anschließend erstellen und passen Sie Visualisierungen mit Matplotlib an, wenden Skalierungs- und Kodierungstechniken an und entwickeln scikit-learn-Pipelines für eine effiziente Vorverarbeitung und Feature-Engineering.

Im weiteren Verlauf erstellen und bewerten Sie lineare und polynomiale Regressionsmodelle, wenden Entscheidungsbäume, Random Forests und Support-Vektor-Maschinen auf Klassifizierungsaufgaben an und nutzen Ensemble-Lernverfahren. Außerdem führen Sie Clustering mit K-Means durch, wenden die Hauptkomponentenanalyse (PCA) zur Dimensionsreduktion an und verbessern die Modellleistung durch Hyperparameter-Tuning. Dieser Kurs richtet sich an angehende Data-Science-Fachleute und Lernende, die praktische analytische Fähigkeiten erwerben möchten, und verbindet die Theorie des maschinellen Lernens mit praktischer Programmierung und durchgängigen Arbeitsabläufen. Nach Abschluss des Kurses sind Sie in der Lage, Datensätze aufzubereiten und zu untersuchen, geeignete Modellierungstechniken auszuwählen, Ergebnisse zu bewerten und Modelle des maschinellen Lernens für datengesteuerte Probleme zu optimieren. Melden Sie sich an, um eine praktische Grundlage im angewandten maschinellen Lernen mit Python zu erwerben und Erfahrungen im gesamten Modellierungs-Workflow zu sammeln.