Machine Learning Komplettkurs mit Python inkl. AI Einführung
4.6 (625 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
5,352 students enrolled

Machine Learning Komplettkurs mit Python inkl. AI Einführung

Meistere das Maschinelle Lernen mit vielen praxisnahen Aufgaben. Inkl. mit Künstliche Intelligenz (AI) und TensorFlow 2.
4.6 (625 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
5,352 students enrolled
Created by Jan Schaffranek
Last updated 5/2020
German
Current price: $116.99 Original price: $179.99 Discount: 35% off
15 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 19.5 hours on-demand video
  • 18 articles
  • 147 downloadable resources
  • 8 coding exercises
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Löse eigene Probleme mit dem Machine Learning
  • Implementiere eigene Machine Learning Algorithmen
  • Erstelle Modelle, die Krankheiten klassifizieren kann oder Hauspreise schätzen kann
  • Beherrsche die Methoden des Machine Learning
  • Verstehe das mathematische Konzept des Machine Learnings
  • Verstehe die Grundlagen des Reinforcement Learning (AI)
Course content
Expand all 178 lectures 19:38:58
+ Kapitel 1: Einleitung
11 lectures 34:40
Was ist Python, Anaconda und Jupyter Notebook?
04:13
Installation und Trouble Shooting
00:25
Windows: Anaconda Installation
03:45
Linux: Anaconda Installation
07:18
MacOS: Anaconda Installation
00:04
Einrichtung von Anaconda
04:16
Jupyter Notebook einrichten
05:36
Handbuch des Kurses
03:24
Kursmaterialien
00:04
+ Kapitel 2: Python Programmierung
15 lectures 02:05:16
Schleifen in Python
12:22
Variablen, Logik und Schleifen
2 questions
Listen in Python
10:26
Listen Iteration, enumerate und zip
08:21
Dictionaries in Python
09:00
Funktionen in Python
07:17
Klassen in Python
09:20
Listen, Dictionaries und Funktionen
3 questions
Numpy
13:23
Matplotlib
07:10
Module
2 questions
Vorwort zu den Programmierübungen
03:13
Wissenschaftliches Arbeiten mit Python
1 question
Musterlösung: Wissenschaftliches Arbeiten mit Python
04:46
Listen: Index und Slices
14:00
Weiteres zu Numpy
08:00
Zusatz: Jupyter Notebook im Kontext Menü
02:21
Kapitel 2: Zusatzinformationen
00:06
+ Kapitel 3 - 1: Machine Learning Grundlagen
3 lectures 34:46
Machine Learning Grundbegriffe
10:47
Intuition für die Grundbegriffe
14:46
Machine Learning Grundbegriffe
4 questions
+ Kapitel 3 - 2: K-Nearest Neighbor
6 lectures 43:19
K-Nearest Neighbor als Pseudo Code
05:03
Vorbereitung: Das fiktive Dataset erkunden
08:53
K-Nearest Neighbor Algorithmus Teil 1
06:39
K-Nearest Neighbor Algorithmus Teil 2
08:56
K-Nearest Neighbor Algorithmus Teil 3
05:57
K-Nearest Neighbor
3 questions
+ Kapitel 3 - 3: K-Neighrest-Neighbor (Sklearn)
9 lectures 52:04
Materialien zu Sklearn
00:08
Scikit-learn (Sklearn)
02:02
Vorbereitung: Iris Dataset laden und erkunden
10:00
K-Nearest Neighbour Sklearn Dokumentation
05:32
K-Nearest Neighbour in Sklearn
13:32
K-Nearest Neighbour Visualisierung
14:57
Optimierung des K-Nearest Neighbor für das Iris Dataset
1 question
Musterlösung: Optimierung des K-Nearest Neighbor für das Iris Dataset
02:20
Zusammenfassung: K-Nearest Neighbor
03:27
Kapitel 3: Zusatzinformationen
00:05
+ Kapitel 4: Mathematische Grundlagen
5 lectures 28:47
Mathematische Symbole
07:40
Analysis Basics
07:18
Lineare Algebra Basics
07:33
Statistik Basics
06:14
Mathematische Grundlagen
5 questions
Kapitel 4: Zusatzinformationen
00:02
+ Kapitel 5 - 1: Lineare Regression
9 lectures 01:16:13
Was ist das Training und Testing
07:13
Unterschied der Klassifikation und Regression
03:21
Vorbereitung: Boston Dataset laden und erkunden
05:02
Einfache Lineare Regression Programmieren
13:38
Einfache Lineare Regression Anwenden - Teil 1
07:52
Einfache Lineare Regression Anwenden - Teil 2
09:37
Lineare Regression Programmieren - Teil 2
11:18
Einfache Lineare Regression
4 questions
+ Kapitel 5 - 2: Lineare und Polynomielle Regression (Sklearn)
11 lectures 01:07:47
Lineare Regression Sklearn Dokumentation
03:31
Lineare Regression Sklearn
04:22
Optimierung der Linearen Regression mit dem Boston Dataset
1 question
Musterlösung: Optimierung der Linearen Regression mit dem Boston Dataset
09:41
Zusammenfassung: Lineare Regression
03:14
Polynomiale Regression Intuition
07:44
Polynomiale Regression Sklearn Dokumentation
03:04
Polynomiale Regression Anwenden (Sklearn)
14:29
Polynomiale Regression Visualisieren (Sklearn)
15:08
Zusammenfassung: Polynomielle Regression
03:18
KNeighborsRegressor mit Sklearn
03:12
Polynomiale Regression
2 questions
Kapitel 5: Zusatzinformationen
00:04
+ Kapitel 6 - 1: Over- und Underfitting
2 lectures 16:20
Over- und Underfitting bei der Regression
10:27
Over- und Underfitting bei der Klassifikation
05:53
Over- und Unterditting
3 questions
+ Kapitel 6 - 2: Regression mit Regularisierung
7 lectures 42:33
Fehlerfunktion: Mean Squared Error
07:41
Regularisierung: Ridge Regression Programmieren
11:41
Regularisierung: Ridge Regression Sklearn
05:07
Regularisierung: Lasso Regression Sklearn
04:03
Regularisierung: Ridge vs. Lasso Regression
06:14
Regularisierung: ElasticNet Regression
04:53
Zusammenfassung: Regularisierung
02:54
Regularisierung
3 questions
Requirements
  • Programmier Grundkenntnisse sind hilfreich aber nicht notwendig
  • Mathematische Grundkenntnisse sind hilfreich aber nicht notwendig
Description

Bewertungen von Kursteilnehmern:

  • "Der Kurs ist perfekt! Einfach super, vor allem, da man dadurch auch mal sieht, was hinter den 'fertigen Modulen' von Sklearn steckt und wie die Algorithmen zustande kommen. Super erklärt und anschaulich! Vielen Dank!." ( ★★★★★ von Daniela Drose)

  • "Sehr gute Einführung in die Thematik mit vielen praktischen Beispielen. Dieser Kurs hat richtig Spaß gemacht" ( ★★★★★ von

    Johannes von Frieling)

  • "Ein umfangreicher, sehr gut gestalteter Kurs mit einer gut ausgewogenen Mischung aus Theorie und Praxis. Die Sprach- und Videoqualität ist hervorragend, die Lektionen sauber aufgenommen und die Inhalte (wenngleich komplex) verständlich präsentiert. Meiner Meinung nach kann dieser Kurs kaum besser gemacht werden." ( ★★★★★ von Peter Dörr)

Kursbeschreibung:

Das Maschinelle Lernen und die Künstliche Intelligenz wird der treibende Faktor der zukünftigen Wirtschaft und des Alltages sein. Wer sich somit schon heute mit den Methoden beherrscht, kann in der Zukunft nur gewinnen!

Mein Kurs bietet nicht nur eine Einführung in die Machine Learning Bibliothek sklearn und TensorFlow 2.0 und Keras, sondern ich werde euch auch die Mathematik hinter den Methoden,  für jedermann verständlich, erklären.

Der Kurs beinhaltet eine perfekte Balance zwischen der Theorie und der praktischen Anwendung der Machine Learning Tools und ist mit Videos, Quizze und Programmieraufgaben versehen, um den optimalen Lernerfolg zu garantieren. Ebenfalls wird der gesamte Code frei zugänglich sein.

Dieser Kurs besteht aus folgenden Themengebieten:

  • Grundlagen der Python Programmierung

  • Anschauliches Erklärung des Machine Learnings

  • Mathematische Grundlagen des ML (Matrizen, Vektoren etc.)

  • Supervised Learning (Regression, SVM, Neuronale Netzwerke etc.)

  • Unsupervised Learning (PCA, Clustering etc.)

  • Metriken und Evaluierung

  • Einführung in das Deep Learning mit TensorFlow 2.0 und Keras

  • Einführung in das Reinforcement Learning (AI)


Werde noch heute ein Profi, in der Technologie von Morgen! Wir sehen uns im Kurs!

Who this course is for:
  • Alle die die neusten Machine Learning Techniken erlernen wollen
  • Studenten der Informatik, Mathematik etc.
  • Software-Entwickler, Data Scientists und Machine Learning Experten