AVC Maschinenlernen - eLearning

- Kurseinführung.

- Lernziele

- Das Aufkommen der Künstlichen Intelligenz

- Künstliche Intelligenz in der Praxis

- Science-Fiction-Filme mit dem Konzept der KI

- Empfehlungssysteme

- Beziehung zwischen künstlicher Intelligenz, maschinellem Lernen und Datenwissenschaft - Teil A

- Beziehung zwischen künstlicher Intelligenz, maschinellem Lernen und Datenwissenschaft - Teil B

- Definition und Merkmale des maschinellen Lernens

- Ansätze des maschinellen Lernens

- Techniken des maschinellen Lernens

- Anwendungen des maschinellen Lernens - Teil A

- Anwendungen des maschinellen Lernens - Teil B

- Wichtigste Erkenntnisse

- Lernziel

- Datenexploration: Dateien laden

- Demo: Importieren und Speichern von Daten

- Praxis: Erkundung von Automobildaten I

- Techniken zur Datenexploration: Teil 1

- Techniken zur Datenexploration: Teil 2

- Seaborn

- Demo: Korrelationsanalyse

- Praxis: Erkundung von Automobildaten II

- Daten-Aufbereitung

- Fehlende Werte in einem Datensatz

- Ausreißerwerte in einem Datensatz

- Demo: Behandlung von Ausreißern und fehlenden Werten

- Praxis: Datenexploration III

- Datenmanipulation

- Funktionalitäten des Datenobjekts in Python: Teil A

- Funktionalitäten des Datenobjekts in Python: Teil B

- Verschiedene Arten von Verknüpfungen

- Typumwandlung

- Demo: Vergleich der Arbeitsstunden

- Übung: Datenmanipulation

- Wichtigste Erkenntnisse

- Abschlussprojekt der Lektion: Speicherung von Testergebnissen

- Lernziele

- Überwachtes Lernen

- Überwachtes Lernen - Anwendungsszenario im realen Leben

- Verständnis des Algorithmus

- Überwachter Lernprozess

- Arten des überwachten Lernens – Teil A

- Arten des überwachten Lernens – Teil B

- Arten von Klassifizierungsalgorithmen

- Arten von Regressionsalgorithmen - Teil A

- Anwendungsfall für Regression

- Genauigkeitsmetriken

- Kostenfunktion

- Koeffizienten bewerten

- Demo: Lineare Regression

- Übung: Bostoner Häuser I

- Herausforderungen bei der Vorhersage

- Arten von Regressionsalgorithmen - Teil B

- Demo: Bigmart

- Übung: Boston Homes II

- Logistische Regression - Teil A

- Logistische Regression - Teil B

- Sigmoid-Wahrscheinlichkeit

- Genauigkeitsmatrix

- Demo: Überleben der Passagiere der Titanic

- Übung: Iris-Arten

- Wichtigste Erkenntnisse

- Abschlussprojekt: Kosten für die Krankenversicherung

- Lernziele

- Merkmalsauswahl

- Regression

- Faktorenanalyse

- Prozess der Faktorenanalyse

- Hauptkomponentenanalyse (PCA)

- Erste Hauptkomponente

- Eigenwerte und Hauptkomponentenanalyse

- Demo: Merkmalsreduktion

- Praxis: PCA-Umwandlung

- Lineare Diskriminanzanalyse

- Maximale trennbare Linie

- Finde die maximale trennbare Linie

- Demo: Beschriftete Merkmalsreduktion

- Praxis: LDA-Transformation

- Wichtigste Erkenntnisse

- Abschlussprojekt: Vereinfachung der Krebsbehandlung

- Lernziele

- Übersicht der Klassifikation

- Klassifikation: Ein überwachtes Lernalgorithmus

- Anwendungsfälle

- Klassifizierungsalgorithmen

- Entscheidungsbaum: Klassifikator

- Entscheidungsbaum: Beispiele

- Entscheidungsbaum: Bildung

- Auswahl des Klassifikators

- Überanpassung von Entscheidungsbäumen

- Zufallsforst-Klassifikator - Bagging und Bootstrapping

- Entscheidungsbaum und Random-Forest-Klassifikator

- Leistungskennzahlen: Verwechslungsmatrix

- Leistungskennzahlen: Kostenmatrix

- Demo: Pferdeüberleben

- Praxis: Risikoanalyse von Krediten

- Naive-Bayes-Klassifikator

- Schritte zur Berechnung der Posterior-Wahrscheinlichkeit: Teil A

- Schritte zur Berechnung der Posterior-Wahrscheinlichkeit: Teil B

- Support-Vektor-Maschinen: Lineare Separierbarkeit

- Support-Vektor-Maschinen: Klassifikationsmarge

- Lineare SVM: Mathematische Darstellung

- Nichtlineare SVMs

- Der Kernel-Trick

- Demo: Stimmklassifikation

- Übung: Hochschulklassifikation

- Wichtigste Erkenntnisse

- Abschlussprojekt der Lektion: Klassifizierung von kinematischen Daten

- Lernziele

- Übersichtsbeispiel und Anwendungen von unüberwachtem Lernen

- Clusteranalyse Hierarchische Clusteranalyse

- Hierarchische Clusteranalyse: Beispiel

- Demo: Tiere gruppieren

- Praxis: Kundensegmentierung

- K-Means-Clustering

- Optimale Anzahl von Clustern

- Demo: Clusterbasierte Anreizschaffung

- Praxis: Bildsegmentierung

- Wichtigste Erkenntnisse

- Abschlussprojekt der Lektion: Clusteranalyse von Bilddaten

- Lernziele

- Überblick über die Zeitreihenmodellierung

- Zeitreihenmuster Typen Teil A

- Zeitreihenmuster Typen Teil B

- Weißes Rauschen

- Entfernung von Nicht-Stationarität

- Demo: Flugpassagiere I

- Praxis: Bierherstellung I

- Zeitreihenmodelle Teil A

- Zeitreihenmodelle Teil B

- Zeitreihenmodelle Teil C

- Schritte bei der Zeitreihenprognose

- Demo: Flugpassagiere II

- Praxis: Bierherstellung II

- Wichtigste Erkenntnisse

- Projekt zum Abschluss der Lektion: Rohstoffpreisprognose des IWF

- Lernziele

- Übersicht Ensemble-Lernmethoden Teil A

- Methoden des Ensemble-Lernens Teil B

- Funktionsweise von AdaBoost

- AdaBoost-Algorithmus und Flussdiagramm

- Gradient-Verstärkung

- XGBoost

- XGBoost-Parameter Teil A

- XGBoost-Parameter Teil B

- Demo: Diabetes bei Pima-Indianern

- Praxis: Linear trennbare Arten

- Modellauswahl

- Gängige Aufteilungsstrategien

- Demo: Kreuzvalidierung

- Praxis: Modellauswahl

- Wichtigste Erkenntnisse

- Abschlussprojekt der Lektion: Klassifikationsmodell mit XGBoost optimieren

- Lernziele

- Einleitung

- Zwecke von Empfehlungssystemen

- Paradigmen von Empfehlungssystemen

- Kollaboratives Filtern Teil A

- Kollaboratives Filtern Teil B

- Assoziationsregelanalyse

- Assoziationsregel-Mining: Warenkorbanalyse

- Assoziationsregelgenerierung: Apriori-Algorithmus

- Beispiel für den Apriori-Algorithmus: Teil A

- Beispiel für den Apriori-Algorithmus: Teil B

- Apriori-Algorithmus: Regel-Auswahl

- Demo: Benutzer-Film-Empfehlungsmodell

- Übung: Filmempfehlungen

- Wichtigste Erkenntnisse

- Projekt zum Abschluss der Lektion: Buchverleih-Empfehlung

- Lernziele

- Überblick über Text Mining

- Bedeutung des Textminings

- Anwendungen des Text-Minings

- Natural Language Toolkit-Bibliothek

- Textextraktion und Vorverarbeitung: Tokenisierung

- Textextraktion und Vorverarbeitung: N-Gramme

- Textextraktion und Vorverarbeitung: Entfernung von Stoppwörtern

- Textextraktion und Vorverarbeitung: Stemming

- Textextraktion und Vorverarbeitung: Lemmatisierung

- Textextraktion und Vorverarbeitung: POS-Tagging

- Textextraktion und Vorverarbeitung: Erkennung benannter Entitäten

- Ablauf des NLP-Prozesses

- Demo: Verarbeitung des Brown-Korpus

- Übung: Wiki-Korpus

- Satzbau: Syntaxdarstellung von Syntaxbäumen

- Satzstruktur: Chunking und Chunk-Parsing

- NP und VP Segmentierung und Parser

- Satzstruktur: Chinking in kontextfreier Grammatik

- Grammatik (CFG) Demo: Twitter-Stimmungen

- Übung: Fluggesellschaftsstimmung

- Wichtigste Erkenntnisse

- Abschlussprojekt: FIFA-Weltmeisterschaft

Entwickeln Sie einen Algorithmus, der den zu berechnenden Fahrpreis für einen Fahrgast angibt. Uber möchte die Genauigkeit seines Tarifprognosemodells verbessern. Unterstützen Sie Uber bei der Auswahl der besten Daten- und KI-Technologien für die Erstellung seines Modells der nächsten Generation.

Reduce the time a Mercedes-Benz spends on the test bench. Mercedes-Benz wants to shorten the time models spend on its test bench, thus moving it to the marketing phase sooner. Build and optimize a machine learning algorithm to solve this problem.

Design an algorithm to accurately predict access privileges for Amazon employees. Use the data of Amazon employees and their access permissions to build a model that automatically decides access privileges as employees enter and leave roles within Amazon.

Identify the level of income qualification needed for families in Latin America. The Inter-American Development Bank wants to qualify people for an aid program. Help the bank to build and improve the accuracy of the data set using a random forest classifier.

The exam is done entirely online. You have 3 exam attempts. It is necessary to book the exam attempt more than 48 hours in advance.

- Multiple Choice

- 90 questions per exam

- One mark is awarded for every correct answer

- No negative marks for wrong answers

- 120 minutes duration

- Proctored online exam