Machine Learning mit Python – Teil 2: Regression

Machine Learning ist eine der wichtigsten Technologien zur Datenverarbeitung und in vielen Branchen nicht wegzudenken. In diesem ersten Kurs der Serie „Machine Learning mit Python“ vermittelt Ihnen der Online-Dozent Ilyas Tachakor Schritt für Schritt die wichtigsten Grundlagen. Der Kurs bietet eine praxisorientierte Einführung in zentrale Begriffe und Ansätze wie Regression, Klassifikation, überwachtes Lernen und unüberwachtes Lernen. Sie lernen, wie Sie mit Python ML-Modelle entwickeln und je nach Anwendungsfall das richtige Modell auswählen. Mit Übungsaufgaben und einem Praxisprojekt können Sie das Gelernte direkt anwenden. Dieser Kurs bildet den idealen Einstieg in die Welt des maschinellen Lernens und legt den Grundstein für die weiteren Kurse 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: 02:34 Stunden Alle Video-Lektionen im Überblick: Vorstellung und Infos zum Kurs Herzlich willkommen zu diesem Kurs Einführung Kapitelüberblick Grundbegriffe Ordnerstruktur und Einführung in Google Colab Quiz: Einführung Erste Schritte mit Python Kapitelüberblick Variablen und bedingte Anweisungen Praxisaufgabe 1 - Vorlage Praxisaufgabe 1 - Lösung Datentypen und Schleifen Praxisaufgabe 2 - Vorlage Praxisaufgabe 2 - Lösung Funktionen Praxisaufgabe 3 - Vorlage Praxisaufgabe 3 - Lösung Funktionen mit Rückgabewert und Bibliotheken Weitere Bibliotheken (Pandas/Seaborn) Praxisaufgabe 4 - Vorlage Praxisaufgabe 4 - Lösung Quiz: Erste Schritte mit Python Trainiere deine ersten KI-Modelle Kapitelüberblick Lineare Regression Lineare Regression in Python Entscheidungsbäume Entscheidungsbaum in Python (Optional) Mathematische Vertiefung – Methode der kleinsten Quadrate (Optional) Mathematische Vertiefung – Gini-Unreinheit Quiz: Trainiere deine ersten KI-Modelle Projekt – Kundenkaufverhalten und Unternehmensgewinne vorhersagen 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 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.

Machine Learning beeinflusst heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden folgende Themen behandelt und mit praktischen Beispielen veranschaulicht:- Datenvorbereitung, Feature-Auswahl, Modellvalidierung- Supervised und Unsupervised Learning- Neuronale Netze und Deep Learning- Reinforcement Learning- LLMs – moderne Sprachmodelle- MLOps – Machine Learning für die PraxisAnhand von Beispieldatensätzen lernst du einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung. Mit den Codebeispielen kannst du in Jupyter Notebooks experimentieren. Sie basieren auf Python und den Bibliotheken Scikit-Learn, Pandas, NumPy, TensorFlow und Keras.Nach der Lektüre dieses Buchs hast du einen Überblick über das gesamte Thema und kannst Ansätze einordnen und bewerten. Das Buch vermittelt dir eine solide Grundlage, um erste eigene Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen.Oliver Zeigermann ist Entwickler, Architekt, Berater und Coach aus Hamburg. Über die letzten Jahrzehnte hat er Software in vielen unterschiedlichen Sprachen und Technologien entwickelt. In den letzten Jahren ist er tiefer in die Analyse und Verarbeitung von Daten eingestiegen.Chi Nhan Nguyen arbeitet als Senior Data Scientist bei der softgarden e-recruiting GmbH. Seine Stationen im akademischen Ausland waren u.a. das Fermilab, die Texas A&M University, der Teilchenbeschleuniger LHC am CERN und die Columbia University.