Machine Learning A-Z: Projektbasiertes Lernen im Bereich KI

Bist du fasziniert von Machine Learning und Data Science? Dann tauche mit diesem Kurs in die spannende Welt der Daten ein und erlebe, wie viel Spaß es macht, komplexe Probleme mit intelligenten Technologien zu lösen!

Ich werde dir Schritt für Schritt die wichtigsten Konzepte beibringen, um dir den optimalen Einstieg zu ermöglichen.

Zusätzlich erhältst du in diesem Kurs die Möglichkeit, an 14 realen Python-Projekten zu arbeiten. Mit diesen Projekten wirst du die erlernten Konzepte vertiefen und ihre praktische Anwendung erleben.

Nach Beendigung des Kurses kannst du alle Projekte in dein Projektportfolio aufnehmen, um beispielsweise potenziellen Arbeitgebern zu demonstrieren, an welchen spannenden Projekten du gearbeitet und welche wertvollen Fähigkeiten du erworben hast.

In diesen Projekten geht es unter anderem um folgende Themen:

• Kundenkaufverhalten und Unternehmensgewinne vorhersagen

• Untersuchung der Auswirkungen von Marketingausgaben auf den Tourismussektor

• Analyse des Einflusses von Schlaf auf unser emotionales Wohlbefinden

• Prognose von COVID-19-Neuinfektionen und Aktienkursen

• Zielgruppenidentifikation für die Expansion in neue Märkte

• Automatisierte Kundenbewertungsanalyse im Bereich E-Commerce

• Vorhersage der Trinkwasserqualität mithilfe eines Random Forest Classifiers

Dieser Kurs deckt die wichtigsten Themen im Bereich Machine Learning und Data Science ab:

• Regression:

  • Lineare Regression

  • Multiple Lineare Regression

  • Polynomiale Regression

  • Decision Tree Regression

  • Random Forest Regression

  • XGBoost Regression

  • Time Series Regression

• Klassifikation:

  • Decision Tree Classifier

  • Logistische Regression

  • KNN - K-Nächste-Nachbarn

  • SVM - Support Vector Machine

  • Naiver Bayes-Klassifikator

• K-Means Clustering

• NLP - Natural Language Processing:

  • Tokens erstellen

  • Part-of-speech tagging

  • Lemmatisierung

  • Count-Features erstellen

• Künstliche neuronale Netze - Deep Learning mit TensorFlow und Keras:

  • Funktionsweise von Neuronen

  • Zusammensetzung: Input Layer, Hidden Layers, Output Layer

  • Aktivierungsfunktionen

  • Batch-Größen und Epochen

  • Backpropagation-Algorithmus

• Weitere Konzepte:

  • Visualisierung und Analyse von Daten

  • Data Preprocessing und Data Pipelines

  • Kreuzvalidierung

  • Hyperparameteroptimierung

  • Feature Engineering

  • Regressionsmetriken: MAE, MSE, RMSE, ...

  • Klassifikationsmetriken: Accuracy, Precision, Recall, F1-Score, ...

• Wichtigsten Python-Bibliotheken:

  • Scikit-learn

  • Pandas

  • NumPy

  • Matplotlib

  • Seaborn

  • XGBoost

  • TensorFlow

  • Keras

  • NLTK