Zum Hauptinhalt springen Zur Suche springen Zur Hauptnavigation springen
Artikel-Beschreibung

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: 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: 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 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.

Artikel-Details
Anbieter:
Heise Medien GmbH & Co. KG
Artikelnummer:
machine-learning-mit-python-teil-3-klassifikation-3055
Veröffentlicht:
28.03.25