Machine Learning von A-Z: Lerne Python & R für Data Science!
4.6 (1,753 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.
11,069 students enrolled

Machine Learning von A-Z: Lerne Python & R für Data Science!

Maschinelles Lernen komplett: Regression, Klassifizierung, Clustering, NLP & Bonus: Deep Learning / Neuronale Netze
Bestseller
4.6 (1,753 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.
11,069 students enrolled
Last updated 5/2020
German
Current price: $139.99 Original price: $199.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 36 hours on-demand video
  • 20 articles
  • 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
  • Erstelle Machine-Learning-Anwendungen sowohl in Python, als auch in R
  • Keine trockene Mathematik - alles anschaulich erklärt
  • Wende Machine Learning auf eigene Daten an
  • Verwende gängige Tools wie Sklearn, NLTK und Caret
  • Du wirst Machine Learning übersichtlich und prägnant lernen
  • Du wirst wissen, wann du welches Machine-Learning-Modell anwenden kannst
  • Lerne mit echten Daten: Viele Praxisbeispiele (Spam-Filter, schätze Preis von Gebrauchtwagen, ...)
Course content
Expand all 396 lectures 36:08:06
+ Einleitung
4 lectures 11:56
Wer bin ich? Wie ist dieser Kurs aufgebaut?
05:08
Download der benötigten Materialien
00:08
+ Einrichtung der R-Umgebung
6 lectures 21:08
Crashkurs: R und RStudio
09:51
Wie findest du die richtige Datei in den Kursmaterialien?
00:08
Hinweis zu den nächsten Lektionen
00:12
Kurzeinführung: Vektoren in R
03:29
Kurzeinführung: data.table in R
03:25
+ Lineare Regression
12 lectures 54:26
Intuition nachvollziehen mit Geogebra
00:11

Hier gehst du nochmal die Basics für die Lineare Regression durch, damit du fit für den Praxiseinsatz bist :-)

Check: Lineare Regression
6 questions
Python: Daten einlesen und Grafik zeichnen
04:33
Hinweis zu Excel
00:49
Python: Lineare Regression (Teil 1)
05:20
Python: Lineare Regression (Teil 2)
05:26
R: Lineare Regression (Teil 1)
10:09
R: Lineare Regression (Teil 2)
04:03
R: Lineare Regression (Teil 3)
02:39
R: Lineare Regression (Teil 4)
03:19
Exkurs (optional): Warum verwenden wir den quadratischen Fehler?
07:58
+ Praxisprojekt: Lineare Regression
3 lectures 14:34
Vorstellung: Praxisprojekt Lineare Regression (Gebrauchtwagenverkäufe)
04:23

Aufgabe: 

Lese die Daten aus der Datei "autos_prepared.csv" ein. Zeichne anschließend die Spalte "Kilometer" und "price" in einem Satter-Plot, und führe eine Lineare Regression durch.

Frage: 

Wie viel ist ein auto nach ca. 50.000km Wert?

Praxisprojekt: Lineare Regression
1 question
Python: Musterlösung
04:14
R: Musterlösung
05:57
+ Train / Test
7 lectures 28:38
Intuition: Train / Test
04:39
Check: Train / Test
2 questions
Python: Train / Test (Teil 1)
05:18
Python: Train / Test (Teil 2)
04:32
Python: Train / Test - Aufgabe
01:26
R: Train / Test (Teil 1)
05:35
R: Train / Test (Teil 2)
06:19
R: Train / Test - Aufgabe
00:49
+ Lineare Regression mit mehreren Variablen
5 lectures 29:11
Intuition: Lineare Regression mit mehreren Variablen (Teil 1)
06:12
Intuition: Lineare Regression mit mehreren Variablen (Teil 2)
04:31
Check: Lineare Regression mit mehreren Variablen
3 questions
Python: Lineare Regression mit mehreren Variablen (Teil 1)
06:48
Python: Lineare Regression mit mehreren Variablen (Teil 2)
05:38
R: Lineare Regression mit mehreren Variablen (Teil 1 + 2)
06:02
+ Modelle vergleichen: Bestimmtheitsmaß
6 lectures 35:52
Intuition: R² - Das Bestimmtheitsmaß (Teil 1)
04:25
Intuition: R² - Das Bestimmtheitsmaß (Teil 2)
04:07
Check: R² / Bestimmtheitsmaß
3 questions
Python: R² ausrechnen
06:27
Python: Modelle anhand von R² vergleichen
07:38
R: R² ausrechnen
06:19
R: Modelle anhand von R² vergleichen
06:56
+ Praxisprojekt: Bestimmtheitsmaß
4 lectures 12:44
Einführung: Praxisprojekt Bestimmtheitsmaß
03:41
Hinweis: Wo findest du das Projekt?
00:09
Python, Praxisprojekt: Bestimmtheitsmaß berechnen
03:22
R, Praxisprojekt: Bestimmtheitsmaß berechnen
05:32
Requirements
  • Du solltest zuvor schon einmal ein wenig programmiert habe
  • Es werden weder Kenntnisse in Python, noch in R vorrausgesetzt
  • Alle benötigen Tools (R, RStudio, Anaconda, ...) installieren wir gemeinsam im Kurs
Description

Jetzt neu: Zusätzlicher Bonus zum Thema Deep Learning (Neuronale Netze) mit Python, Tensorflow und Keras!

Dieser Kurs enthält über 300 Lektionen, Quizze, Praxisbeispiele, ... - der einfachste Weg, wenn du Machine Learning lernen möchtest. 

Schritt für Schritt bringe ich dir maschinelles Lernen bei. In jedem Abschnitt lernst du ein neues Thema - zuerst die Idee / Intuition dahinter, und anschließend den Code sowohl in Python als auch in R.

Machine Learning macht erst dann richtig Spaß, wenn man echte Daten auswertet. Deswegen analysierst du in diesem Kurs besonders viele Praxisbeispiele:

  • Schätze den Wert von Gebrauchtwagen

  • Schreibe einen Spam-Filter

  • Diagnostiziere Brustkrebs

  • Schreibe ein Programm, was die Bedeutung von Adjektiven lernt

  • Lese Zahlen aus Bildern ein

Alle Codebeispiele werden dir beiden Programmiersprachen gezeigt - du kannst also wählen, ob du den Kurs in Python, R, oder in beiden Sprachen sehen möchtest!

Nach dem Kurs kannst du Machine Learning auch auf eigene Daten anwenden und eigenständig fundierte Entscheidungen treffen:

Du weißt, wann welche Modelle in Frage kommen könnten und wie du diese vergleichst. Du kannst analysieren, welche Spalten benötigt werden, ob zusätzliche Daten benötigt werden, und weißt, die die Daten vorab aufbereitet werden müssen. 

Dieser Kurs behandelt alle wichtigen Themen:

  • Regression

  • Klassifizierung

  • Clustering

  • Natural Language Processing

  • Bonus: Deep Learning (nur für Python, weil die Tools hier sehr viel ausgereifter sind)

Zu allen diesen Themen lernst du verschiedene Algorithmen kennen. Die Ideen dahinter werden einfach erklärt - keine trockenen, mathematischen Formeln, sondern anschauliche, grafische Erklärungen.

Wir verwenden hierbei gängige Tools (Sklearn, NLTK, caret, data.table, ...), die auch für echte Machine-Learning-Projekte verwendet werden. 

Was lernst du alles?

  • Regression:

    • Lineare Regression

    • Polynomiale Regression

  • Klassifizierung:

    • Logistische Regression

    • Support Vector Machine (SVM) 

    • SVM mit Kernel (rbf, poly)

    • Naive Bayes

    • Entscheidungsbäume

    • Random Forest

  • Clustering

  • Natural Language Processing

    • Tokenizing

    • Stemming

    • POS-Tagging (welchen Typ hat ein Wort?)

  • Bonus: Deep Learning / Neuronale Netze (nur Python)

    • Aufbau eines Neuronalen Netzes

    • Was ist ein Neuron?

    • Tensorflow

    • Keras

Zudem lernst du auch, wie du Machine Learning anwendest:

  • Dimensionsreduktion mit der Principal Component Analysis (PCA)

  • Lese Daten ein, und bereite sie für dein Modell vor

    • Mit vollständigem Praxisbeispiel, Schritt für Schritt erklärt

  • Finde die besten Hyperparameter für dein Modell

    • "Parameter Tuning"

    • GridSearch (GridSearchCV in Python / tuneGrid in R)

  • Vergleiche Modelle miteinander:

    • Wie dich der Wert für die Genauigkeit eines Modells in die Irre führen kann, und was du dagegen tun kannst

    • K-Fold Cross-Validation

    • Bestimmtheitsmaß

Mein Ziel ist es, dir mit diesem Kurs den idealen Einsteig in die Welt des Machine Learnings zu bieten. 

Who this course is for:
  • Entwickler, die sich für Machine Learning interessieren