Maschinelles Lernen & Künstliche Intelligenz in der Theorie
3.8 (64 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.
676 students enrolled

Maschinelles Lernen & Künstliche Intelligenz in der Theorie

Alles von neuronalen Netzen, Deep Learning, Support Vector Machines, Regression bis Clustering und mehr
3.8 (64 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.
676 students enrolled
Created by Cedric Mössner
Last updated 2/2020
German
Current price: $69.99 Original price: $99.99 Discount: 30% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 14 hours on-demand video
  • 1 article
  • Full lifetime access
  • Access on mobile and TV
  • Assignments
  • 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
  • viele verschiedene Techniken des Maschinellen Lernens anwenden und kombinieren
  • zB neuronale Netze von null auf entwickeln
  • bekannte Frameworks wie Tensorflow leichter verstehen und wissen, was sie tun
Course content
Expand all 112 lectures 14:12:48
+ Instanzbasiertes Lernen
4 lectures 34:18
K-Nearest Neighbours
07:30
KNN: Mathematik
09:07
gewichteter KNN
09:09
Case-based Reasoning
08:32
Teste dich!
4 questions
+ Concept Learning
2 lectures 20:31
Teil 1
14:13
Teil 2
06:18
Welche Ausgabe würde die KI hier geben?
Konzeptlernen
3 questions
+ Unüberwachtes Lernen
5 lectures 01:01:19
k-Means Clustering
18:44
Fuzzy K-Means Clustering
10:21
Dendrogramme
05:35
Cobweb #1
13:09
Cobweb #2
13:30
Nenne mindestens 3 Unterschiede.
Was ist der Unterschied zwischen k-Means und kNN?
1 question
Erstelle einen Clusterbaum.
Dendrogramme
3 questions
+ Bayes Lernen
16 lectures 02:01:48
Einleitung
08:38
Das Bayes-Theorem
09:13
Die Maximum A Posteriori Hypothese
06:18
Konzeptlernen
08:16
Funktionslernen
07:38
Optimaler Bayes
07:09
Der Naive Bayes-Klassifikator
07:58
Schätzen von Werten
03:17
Bayes'sche Netze
07:45
Bedingte Unabhängigkeiten in Bayes'schen Netzen #1
06:37
Bedingte Unabhängigkeiten in Bayes'schen Netzen #2
06:54
D-Separation
06:12
Objektorientierte Probabilistisch Relationale Modelle OPRM
06:01
Parameterschätzung in OPRMs
07:41
Strukturbestimmung in OPRMs
08:40
Der EM-Algorithmus
13:31
Teste dich!
2 questions
Welche Ausgabe würde der naive Bayes Klassifikator geben?
Naiver Bayes Klassifikator
6 questions
+ Entscheidungsbäume
6 lectures 36:01
Einleitung
05:53
Der ID3-Algorithmus
09:49
Entropie und Informationsgewinn
06:40
Reduced Error Pruning
05:12
Attribute mit vielen Werten und kontinuierliche Werte
05:22
Random Forests
03:05
+ Markov Modelle
7 lectures 53:45
Diskrete Markov Modelle
06:48
Hidden Markov Modelle
05:27
Das Evaluationsproblem und der Forward-Backward-Algorithmus
09:13
Das Dekodierungsproblem und der Viterbi-Algorithmus
05:07
Der Baum-Welch-Algorithmus
13:14
Der Baum-Welch-Algorithmus #2
08:46
Typen von HMMs
05:10
Übe an einem gegebenen HMM der Bioinformatik
Hidden Markov Modelle
3 questions
+ Deduktives Lernen
3 lectures 18:24
Einleitung
04:15
Explanation Based Learning
07:06
Knowledge Based Neural Networks
07:03
+ Markov Logik Netze
4 lectures 30:10
Probabilistische Graphische Modelle
11:38
Markov Logik Netze
07:27
Der MAP-Algorithmus
05:00
Generatives Lernen
06:05
+ Evolutionäre Algorithmen
6 lectures 44:07
Der Grundalgorithmus
08:13
Mutationen
08:48
Rekombinationen
08:42
Selektion
07:14
Fitness Based Selection
05:00
Ranking Based und Tournament Selection
06:10
Folge den Aufgaben und berechne einen Evolutionären Algorithmus
Evolutionäre Algorithmen
5 questions
Requirements
  • Mathematische Vorkenntnisse
  • Abstraktes Denken
Description

In diesem Kurs lernst du, wie viele verschiedene Techniken des Maschinellen Lernens funktionieren. Du lernst, sie zu berechnen, zu entscheiden, wann welche Technik einzusetzen ist und was ihre Schwächen und Stärken sind.

Natürlich werden wir uns auch mit Deep Learning und neuronalen Netzen beschäftigen und die vielen Arten von Netzen und Techniken kennen lernen. 

Who this course is for:
  • Alle, die verstehen möchten, wie künstliche Intelligenzen funktionieren und lernen
  • Alle, die ihre eigene Intelligenz entwickeln möchten