Machine Learning mit Python – Teil 1: Grundlagen

Der zweite Teil der Serie „Machine Learning mit Python“ konzentriert sich auf weiterführende Themen und deren Anwendung. In diesem Kurs erlernen Sie erweiterte Regressionskonzepte und den Einsatz leistungsstarker Algorithmen wie XGBoost für präzise Vorhersagen. Weitere Inhalte umfassen die Kreuzvalidierung und Hyperparameteroptimierung zur Leistungssteigerung der Modelle, Methoden zur Datenvisualisierung und -analyse sowie die Bewertung von Regressionsmodellen mittels MAE, MSE, und RMSE. Ein weiteres Highlight ist die Einführung in die Zeitreihenanalyse: Der Online-Dozent Ilyas Tachakor zeigt Ihnen verschiedene Fälle wie Trends, Saisonalitäten und Zyklen und wie Sie diese mit modernen Methoden modellieren können – sowohl bei zeitlichen als auch seriellen Abhängigkeiten. Auch dieser Kurs zeichnet sich durch seine Praxisnähe aus. Anhand mehrerer Praxisprojekte wenden Sie das Erlernte direkt an. Dieser Kurs ist Teil der Serie „Machine Learning mit Python“: Machine Learning mit Python – Teil 1: GrundlagenMachine Learning mit Python – Teil 2: RegressionMachine Learning mit Python – Teil 3: KlassifikationMachine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering Länge: 04:35 Stunden Alle Video-Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Multiple Lineare Regression Kapitelüberblick Multiple Lineare Regression – Intuition Multiple Lineare Regression in Python (Teil 1) Multiple Lineare Regression in Python (Teil 2) Multiple Lineare Regression in Python (Teil 3) Quiz: Multiple Lineare Regression Projekt 2 – Auswirkungen von Marketinginvestitionen auf den Tourismussektor Kapitelüberblick Projektvorlage in Python Projektlösung in Python Polynomiale Regression Kapitelüberblick Polynomiale Regression – Intuition Polynomiale Regression in Python (Teil 1) Polynomiale Regression in Python (Teil 2) Polynomiale Regression in Python (Teil 3) Quiz: Polynomiale Regression Projekt 3 – Analyse des Einflusses von Schlaf auf unser emotionales Wohlbefinden Kapitelüberblick Projektvorlage in Python Projektlösung in Python Decision Tree Regression Kapitelüberblick Decision Tree Regression - Intuition Modellvalidierung und Hyperparameteroptimierung - Intuition Decision Tree Regression in Python (Teil 1) Decision Tree Regression in Python (Teil 2) Decision Tree Regression in Python (Teil 3) Decision Tree Regression in Python (Teil 4) Kreuzvalidierung – Intuition Decision Tree Regression in Python (Teil 5) Weitere Metriken: MSE und RMSE (Optional) Mathematische Vertiefung - Decision Tree Regression (Costfunction) Quiz: Decision Tree Regression Projekt 4 – Ermittlung von Immobilienpreisen in Washington Kapitelüberblick Projektvorlage in Python Projektlösung in Python Random Forest Regression und XGBoost Kapitelüberblick Ensemble-Methoden: Bagging, Random Forest Random Forest Regression in Python Ensemble-Methoden: Boosting, XGBoost XGBoost Regression in Python Quiz: Random Forest Regression und XGBoost Projekt 5 – Vorhersage von Gebrauchtwagenpreisen Kapitelüberblick Projektvorlage in Python Projektlösung in Python Time Series Regression Kapitelüberblick Time Series Regression – Trend Time Series Regression – Saisonalität Time Series Regression – Kombinationen Trends in Python (Teil 1) Trends in Python (Teil 2) Python Exkurs: DataFrame Indexing (Teil 1) Python Exkurs: DataFrame Indexing (Teil 2) Saisonalität in Python (Teil 1) Saisonalität in Python (Teil 2) Saisonalität in Python (Teil 3) Kombinationen in Python Time Series Regression – Zyklen (Teil 1) Time Series Regression – Zyklen (Teil 2) Zyklen in Python (Teil 1) Zyklen in Python (Teil 2) Zyklen in Python (Teil 3) Zyklen in Python (Teil 4) Quiz: Time Series Regression Projekt 6 – Prognose von COVID-19-Neuinfektionen und Aktienkursen Kapitelüberblick Aktien – Projektvorlage in Python Aktien – Projektlösung in Python COVID-19 – Projektvorlage in Python COVID-19 – Projektlösung in Python Abschluss Fazit und Kursabschluss Über den Trainer:Ilyas Tachakor entdeckte bereits während seines Informatikstudiums seine Leidenschaft für Data Science. Bevor er sich als Online-Dozent selbstständig machte, entwickelte er bei einem führenden deutschen EdTech-Startup innovative Lerninhalte im Bereich Informatik. Diese Erfahrung verschaffte ihm ein umfassendes Verständnis für die Bedürfnisse von Lernenden. Heute verbindet er dieses Wissen mit seiner Fachkompetenz, um in seinen praxisorientierten Videokursen ein nachhaltiges Lernerlebnis zu schaffen und Menschen für moderne Technologien zu begeistern. So lernen Sie mit diesem Videokurs:In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Flexibler Videoplayer mit vielen SteuerungsmöglichkeitenWissensquiz zur LernkontrolleLernhistorie und LernfortschrittLesezeichen und Notizen Volltextsuche in den VideosFrage-den-Experten-ModulÜbungsmaterial zum MitmachenResponsive Web-App und Videostreaming für alle EndgeräteTechnische Voraussetzungen:Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.

Der dritte Teil der Serie „Machine Learning mit Python“ widmet sich der Klassifikation und der Verarbeitung natürlicher Sprache. Sie lernen unterschiedliche Klassifikationsmodelle kennen, darunter den Decision-Tree-Klassifikator, die Stützvektormethode und den naiven Bayes-Klassifikator, und Sie erfahren, wie Sie diese für verschiedene Problemstellungen einsetzen können. Ein weiterer Schwerpunkt liegt auf der Bewertung von Modellen. Mit Hilfe einer Confusion Matrix und den Metriken Precision, Recall und F1-Score analysieren Sie die Qualität Ihrer Modelle und optimieren deren Leistung. Darüber hinaus erhalten Sie Einblick in die Anwendung des naiven Bayes-Klassifikators im Bereich der natürlichen Sprachverarbeitung, einem spannenden und vielseitigen Einsatzgebiet. Auch dieser Kurs zeichnet sich durch seine Praxisnähe aus. Anhand mehrerer Praxisprojekte wenden Sie das Erlernte direkt an. Der Kurs ist Teil der Serie „Machine Learning mit Python“: Machine Learning mit Python – Teil 1: GrundlagenMachine Learning mit Python – Teil 2: RegressionMachine Learning mit Python – Teil 3: KlassifikationMachine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering Länge: 06:08 Stunden Alle Video-Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Decision Tree Classifier Kapitelüberblick Binäre Klassifikation – Confusion Matrix Confusion Matrix in Python (Teil 1) Confusion Matrix in Python (Teil 2) Binäre Klassifikation: Precision und Recall Binäre Klassifikation: F1-Score Binäre Klassifikation: Precision, Recall und F1-Score in Python (Teil 1) Binäre Klassifikation: Precision, Recall und F1-Score in Python (Teil 2) Mehrklassen Klassifikation – Verschiedene Metriken Mehrklassen Klassifikation in Python (Teil 1) Mehrklassen Klassifikation in Python (Teil 2) Quiz: Decision Tree Classifier Projekt 7 – Vorhersage der Trinkwasserqualität mithilfe von Ensemble Methoden Kapitelüberblick Projektvorlage in Python Projektlösung in Python Logistische Regression Kapitelüberblick Logistische Regression – Intuition Logistische Regression in Python (Optional) Mathematische Vertiefung – Log Loss – Binary Cross Entropy Quiz: Logistische Regression Projekt 8 – Zielgruppenidentifikation für die Expansion in neue Märkte Kapitelüberblick Projektvorlage in Python Projektlösung in Python KNN – K-Nächste-Nachbarn Kapitelüberblick KNN – Intuition KNN in Python (Teil 1) KNN in Python (Teil 2) (Optional) Funktionsweise von plot_decision_boundaries() (Optional) Mathematische Vertiefung – Varianz, Standardabweichung und Skalierung Quiz: KNN – K-Nächste-Nachbarn Projekt 9 – Klassifikation von Irisblumen anhand ihrer Blütenmorphologie Kapitelüberblick Projektvorlage in Python Projektlösung in Python SVM – Support Vector Machine Kapitelüberblick SVM – Intuition SVM in Python: Lineare Kernelfunktion SVM in Python: Polynomiale Kernelfunktion SVM in Python: RBF-Kernelfunktion Quiz: SVM – Support Vector Machine Projekt 10 – Reise-Influencer für mögliche Kollaborationen ausfindig machen Kapitelüberblick Projektvorlage in Python Projektlösung in Python Naiver Bayes-Klassifikator Kapitelüberblick Naiver Bayes-Klassifikator – Intuition Categorical Naive Bayes in Python (Teil 1) Categorical Naive Bayes in Python (Teil 2) Gaussian Naive Bayes in Python (Teil 1) Gaussian Naive Bayes in Python (Teil 2) Mixed Naive Bayes in Python (Teil 1) Mixed Naive Bayes in Python (Teil 2) (Optional) Mathematische Vertiefung: Formelherleitung und die Normalverteilung (Optional) Mathematische Vertiefung: PDF und Gaußsches-Integral Quiz: Naiver Bayes-Klassifikator Projekt 11 – Einkommensprognose unter Berücksichtigung verschiedener Merkmale Kapitelüberblick Projektvorlage in Python Projektlösung in Python NLP – Natural Language Processing Kapitelüberblick NLP – Intuition NLP in Python (Teil 1) NLP in Python (Teil 2) NLP in Python (Teil 3) (Optional) Mathematische Vertiefung: Multinomiale Wahrscheinlichkeitsfunktion Quiz: NLP – Natural Language Processing Projekt 12 – Automatisierte Kundenbewertungsanalyse im Bereich E-Commerce Kapitelüberblick Projektvorlage in Python Projektlösung in Python Abschluss Fazit und Kursabschluss Über den Trainer:Ilyas Tachakor entdeckte bereits während seines Informatikstudiums seine Leidenschaft für Data Science. Bevor er sich als Online-Dozent selbstständig machte, entwickelte er bei einem führenden deutschen EdTech-Startup innovative Lerninhalte im Bereich Informatik. Diese Erfahrung verschaffte ihm ein umfassendes Verständnis für die Bedürfnisse von Lernenden. Heute verbindet er dieses Wissen mit seiner Fachkompetenz, um in seinen praxisorientierten Videokursen ein nachhaltiges Lernerlebnis zu schaffen und Menschen für moderne Technologien zu begeistern. So lernen Sie mit diesem Videokurs:In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Flexibler Videoplayer mit vielen SteuerungsmöglichkeitenWissensquiz zur LernkontrolleLernhistorie und LernfortschrittLesezeichen und Notizen Volltextsuche in den VideosFrage-den-Experten-ModulÜbungsmaterial zum MitmachenResponsive Web-App und Videostreaming für alle EndgeräteTechnische Voraussetzungen:Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.

Der vierte Teil der Serie „Machine Learning mit Python“ behandelt fortgeschrittene Techniken der Datenverarbeitung. Ein besonderer Schwerpunkt liegt hierbei auf Data Pipelines, welche es Ihnen ermöglichen, die Datenvorverarbeitung zu automatisieren. Dabei lernen Sie auch, wie Sie fehlende Einträge bei kategorischen und bei kontinuierlichen Merkmalen sinnvoll ersetzen und wie Sie ordinale sowie nominale Merkmale korrekt kodieren. Außerdem gibt Ihnen der Online-Dozent Ilyas Tachakor eine Einführung in das Feature Engineering. Sie erfahren, wie Sie durch die Erstellung neuer Merkmale die Vorhersageleistung Ihrer Modelle deutlich verbessern können. Mit K-Means-Clustering lernen Sie zusätzlich ein bewährtes Verfahren zur Gruppierung von Datenpunkten und zur Reduktion der Dimensionalität kennen. Anhand eines Praxisprojekts wenden Sie das Erlernte direkt an. Der Kurs ist Teil der Serie „Machine Learning mit Python“: Machine Learning mit Python – Teil 1: GrundlagenMachine Learning mit Python – Teil 2: RegressionMachine Learning mit Python – Teil 3: KlassifikationMachine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering Länge: 02:21 Stunden Alle Video-Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Data Pipelines, Feature Engineering und K-Means Clustering Kapitelüberblick Data Pipelines und Feature Engineering – Intuition Data Pipelines und Feature Engineering in PythonK-Means Clustering – Intuition K-Means Clustering in PythonQuiz: Data Pipelines, Feature Engineering und K-Means Clustering Projekt 13 – Lageabhängige Mietpreisprognose für WG-Zimmer in Frankfurt Kapitelüberblick Projektvorlage in Python Projektlösung in Python Abschluss Fazit und Kursabschluss Über den Trainer: Ilyas Tachakor entdeckte bereits während seines Informatikstudiums seine Leidenschaft für Data Science. Bevor er sich als Online-Dozent selbstständig machte, entwickelte er bei einem führenden deutschen EdTech-Startup innovative Lerninhalte im Bereich Informatik. Diese Erfahrung verschaffte ihm ein umfassendes Verständnis für die Bedürfnisse von Lernenden. Heute verbindet er dieses Wissen mit seiner Fachkompetenz, um in seinen praxisorientierten Videokursen ein nachhaltiges Lernerlebnis zu schaffen und Menschen für moderne Technologien zu begeistern. So lernen Sie mit diesem Videokurs: In den Videokursen von heise academy lernen Sie IT-Themen anschaulich und verständlich. In den Videos schauen Sie den Experten bei der praktischen Arbeit zu und lassen sich dabei alles genau erklären. Das Wissen ist in kleine Lernschritte und Aufgaben unterteilt, sodass Sie den Kurs Lektion für Lektion durcharbeiten oder gezielt zu Themen springen können, die Sie interessieren. Die persönliche Lernumgebung der heise academy hält viele Funktionen für Sie bereit, die Ihnen beim Lernen helfen können:Flexibler Videoplayer mit vielen SteuerungsmöglichkeitenWissensquiz zur LernkontrolleLernhistorie und LernfortschrittLesezeichen und Notizen Volltextsuche in den VideosFrage-den-Experten-ModulÜbungsmaterial zum MitmachenResponsive Web-App und Videostreaming für alle Endgeräte Technische Voraussetzungen: Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.

Zentrale Konzepte verstehen und anwenden. Erstauflage aus Januar 2025.Sie verfügen bereits über Grundkenntnisse zu maschinellem Lernen und künstlicher Intelligenz, haben aber viele Fragen und wollen tiefer in wesentliche und aktuelle Konzepte eintauchen? ML- und KI-Experte Sebastian Raschka greift in diesem Buch die wichtigsten Schlüsselfragen auf und liefert sowohl prägnante als auch einfach verständliche Erklärungen zu komplexen und fortgeschrittenen Themen wie Deep Learning, Überanpassung, Self-Supervised Learning, generative KI, Computer Vision, Natural Language Processing und Modellevaluierung.Viele Beispiele, anschauliche Illustrationen und praktische Übungsaufgaben helfen Ihnen dabei, das Erlernte nicht nur schnell zu verstehen, sondern auch praktisch umzusetzen. Dabei werden weder fortgeschrittene Mathematik- noch Programmierkenntnisse vorausgesetzt – wer tiefer in den Code eintauchen will, findet jedoch im kostenlosen Zusatzmaterial einige Codebeispiele.Aus dem Inhalt: Umgang mit verschiedenen Zufallsquellen beim Training neuronaler Netze Unterscheidung zwischen Encoder- und Decoder-Architekturen in großen Sprachmodellen (LLMs) Verringerung von Überanpassung durch Daten- und Modellmodifikationen Konstruktion von Konfidenzintervallen für Klassifizierer und Optimierung von Modellen mit begrenzten gelabelten Daten Wählen zwischen verschiedenen Multi-GPU-Trainingsparadigmen und verschiedenen Arten von generativen KI-Modellen Verstehen von Performancemetriken für die Verarbeitung natürlicher Sprache Zusatzmaterial auf GitHubZum Autor:Sebastian Raschka, PhD, ist Forscher für maschinelles Lernen und KI mit einer großen Leidenschaft für Wissensvermittlung. Als Lead AI Educator bei Lightning AI brennt er dafür, KI und Deep Learning verständlich darzustellen und Menschen beizubringen, wie sie diese Technologien in großem Umfang nutzen können. Bevor er voll und ganz in Lightning AI eingestiegen ist, hatte Sebastian Raschka eine Position als Assistenzprofessor für Statistik an der University of Wisconsin-Madison inne, wo er sich auf die Erforschung von Deep Learning und maschinellem Lernen spezialisierte. Auf seiner Website (https://sebastianraschka.com) erfahren Sie mehr über seine Forschung. Außerdem liebt Sebastian Raschka Open-Source-Software und leistet seit über einem Jahrzehnt leidenschaftlich Beiträge dazu. Neben dem Programmieren schreibt er auch gern und ist Autor der Beststeller Python Machine Learning und Machine Learning with PyTorch and Scikit-Learn (beide bei Packt Publishing veröffentlicht).