Machine Learning mit Python – Teil 2: Regression

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: Grundlagen
• Machine Learning mit Python – Teil 2: Regression
• Machine Learning mit Python – Teil 3: Klassifikation
• Machine Learning mit Python – Teil 4: Data Pipelines, Feature Engineering und K-Means Clustering (erscheint in Kürze)

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 Steuerungsmöglichkeiten
• Wissensquiz zur Lernkontrolle
• Lernhistorie und Lernfortschritt
• Lesezeichen und Notizen
• Volltextsuche in den Videos
• Frage-den-Experten-Modul
• Übungsmaterial zum Mitmachen
• Responsive Web-App und Videostreaming für alle Endgeräte
  
  

Technische Voraussetzungen:

Für diesen Videokurs werden lediglich ein Browser (mit eingeschalteter JavaScript-Funktionalität) und eine Internetverbindung benötigt.