糖心vlog官网观看

Fallstudie - Vorhersage von Wohnungspreisen In unserer ersten Fallstudie, der Vorhersage von Wohnungspreisen, werden Sie Modelle erstellen, die einen kontinuierlichen Wert (Preis) anhand von Eingabemerkmalen (Quadratmeterzahl, Anzahl der Schlafzimmer und B盲der,...) vorhersagen. Dies ist nur einer der vielen Anwendungsbereiche 蹿眉谤 die Regression. Andere Anwendungen reichen von der Vorhersage von Gesundheitsergebnissen in der Medizin, Aktienkursen im Finanzwesen und der Leistungsaufnahme im Hochleistungscomputing bis hin zur Analyse, welche Regulatoren 蹿眉谤 die Genexpression wichtig sind. In diesem Kurs werden Sie regularisierte lineare Regressionsmodelle 蹿眉谤 die Aufgabe der Vorhersage und Merkmalsauswahl untersuchen. Sie werden in der Lage sein, mit sehr gro脽en Mengen von Merkmalen umzugehen und zwischen Modellen unterschiedlicher Komplexit盲t zu w盲hlen. Sie werden auch die Auswirkungen von Aspekten Ihrer Daten - wie z.B. Ausrei脽ern - auf die von Ihnen ausgew盲hlten Modelle und Vorhersagen analysieren. Um diese Modelle anzupassen, werden Sie Optimierungsalgorithmen implementieren, die 蹿眉谤 gro脽e Datens盲tze geeignet sind. Lernergebnisse: Am Ende dieses Kurses werden Sie in der Lage sein: -Beschreiben Sie die Eingabe und Ausgabe eines Regressionsmodells. -Vergleichen und kontrastieren Sie Bias und Varianz bei der Modellierung von Daten. -Sch盲tzen Sie die Modellparameter mit Hilfe von Optimierungsalgorithmen. -Stimmen Sie die Parameter mit Kreuzvalidierung ab. -Analysieren Sie die Leistung des Modells. -Beschreiben Sie den Begriff der Sparsamkeit und wie LASSO zu sp盲rlichen L枚sungen f眉hrt. -Wenden Sie Methoden an, um zwischen Modellen auszuw盲hlen. -Nutzen Sie das Modell 蹿眉谤 Vorhersagen.

-Erstellen Sie ein Regressionsmodell zur Vorhersage von Preisen anhand eines Datensatzes 蹿眉谤 Wohnimmobilien. - Implementieren Sie diese Techniken in Python.

Fallstudien: Analyse von Stimmungen & Vorhersage von Kreditausf盲llen In unserer Fallstudie zur Analyse von Stimmungen erstellen Sie Modelle, die eine Klasse (positive/negative Stimmung) anhand von Eingabemerkmalen (Text der Bewertungen, Benutzerprofilinformationen,...) vorhersagen. In unserer zweiten Fallstudie 蹿眉谤 diesen Kurs, der Vorhersage von Kreditausf盲llen, werden Sie sich mit Finanzdaten besch盲ftigen und vorhersagen, wann ein Kredit 蹿眉谤 die Bank wahrscheinlich riskant oder sicher ist. Diese Aufgaben sind Beispiele 蹿眉谤 die Klassifizierung, eines der am h盲ufigsten verwendeten Gebiete des maschinellen Lernens mit einer breiten Palette von Anwendungen, darunter Ad Targeting, Spam-Erkennung, medizinische Diagnose und Bildklassifizierung.

In diesem Kurs werden Sie Klassifikatoren erstellen, die bei einer Vielzahl von Aufgaben eine Spitzenleistung erbringen. Sie werden mit den erfolgreichsten Techniken vertraut gemacht, die in der Praxis am h盲ufigsten eingesetzt werden, darunter logistische Regression, Entscheidungsb盲ume und Boosting. Dar眉ber hinaus werden Sie in der Lage sein, die zugrundeliegenden Algorithmen zu entwerfen und zu implementieren, mit denen diese Modelle unter Verwendung des stochastischen Gradientenanstiegs in gro脽em Ma脽stab erlernt werden k枚nnen. Sie werden diese Techniken bei realen, gro脽 angelegten Aufgaben des maschinellen Lernens implementieren. Sie werden sich auch mit wichtigen Aufgaben befassen, mit denen Sie bei realen Anwendungen von ML konfrontiert werden, wie z.B. dem Umgang mit fehlenden Daten und der Messung von Pr盲zision und Recall zur Bewertung eines Klassifikators. Dieser Kurs ist praxisorientiert, voller Action und voller Visualisierungen und Illustrationen, die zeigen, wie sich diese Techniken bei echten Daten verhalten. Wir haben au脽erdem optionale Inhalte in jedes Modul aufgenommen, die fortgeschrittene Themen 蹿眉谤 diejenigen behandeln, die noch tiefer einsteigen m枚chten! Lernziele: Am Ende dieses Kurses werden Sie in der Lage sein: -Beschreiben Sie die Eingabe und Ausgabe eines Klassifizierungsmodells. -Bearbeiten Sie sowohl bin盲re als auch Mehrklassen-Klassifizierungsprobleme. -Implementieren Sie ein logistisches Regressionsmodell 蹿眉谤 eine umfangreiche Klassifizierung. -Erstellen Sie ein nicht-lineares Modell mit Hilfe von Entscheidungsb盲umen. Verbessern Sie die Leistung eines beliebigen Modells mit Boosting. Skalieren Sie Ihre Methoden mit stochastischem Gradientenanstieg. Beschreiben Sie die zugrunde liegenden Entscheidungsgrenzen. -Erstellen Sie ein Klassifizierungsmodell zur Vorhersage der Stimmung in einem Datensatz 蹿眉谤 Produktbewertungen. -Analysieren Sie Finanzdaten, um Kreditausf盲lle vorherzusagen. -Verwenden Sie Techniken 蹿眉谤 den Umgang mit fehlenden Daten. -Evaluieren Sie Ihre Modelle anhand von Pr盲zisions-Wiedererkennungs-Metriken. -Implementieren Sie diese Techniken in Python (oder in einer Sprache Ihrer Wahl, wobei Python sehr zu empfehlen ist).

Fallstudien: 脛hnliche Dokumente finden Ein Leser ist an einem bestimmten Nachrichtenartikel interessiert und Sie m枚chten 盲hnliche Artikel finden, die Sie empfehlen k枚nnen. Was ist der richtige Begriff von 脛hnlichkeit? Und was ist, wenn es Millionen von anderen Dokumenten gibt? M眉ssen Sie jedes Mal, wenn Sie ein neues Dokument abrufen wollen, alle anderen Dokumente durchsuchen? Wie k枚nnen Sie 盲hnliche Dokumente zusammenfassen? Wie entdecken Sie neue, aufkommende Themen, die in den Dokumenten behandelt werden?

In dieser dritten Fallstudie, der Suche nach 盲hnlichen Dokumenten, werden Sie auf 脛hnlichkeit basierende Algorithmen 蹿眉谤 den Abruf untersuchen. In diesem Kurs werden Sie auch strukturierte Darstellungen zur Beschreibung der Dokumente im Korpus untersuchen, einschlie脽lich Clustering und gemischte Zugeh枚rigkeitsmodelle, wie die latente Dirichlet-Zuordnung (LDA). Sie werden die Erwartungsmaximierung (EM) implementieren, um die Clusterung der Dokumente zu erlernen, und sehen, wie Sie die Methoden mit MapReduce skalieren k枚nnen. Lernergebnisse: Am Ende dieses Kurses werden Sie in der Lage sein: - Ein System zur Dokumentensuche mit k-nearest neighbors zu erstellen. - Verschiedene 脛hnlichkeitsmetriken 蹿眉谤 Textdaten zu identifizieren. - Berechnungen bei der Suche nach k-nearest neighbors mit Hilfe von KD-B盲umen zu reduzieren. - N盲herungsweise n盲chste Nachbarn mit Hilfe von lokalsensitivem Hashing zu erzeugen. - 脺berwachtes und un眉berwachtes Lernen zu vergleichen und gegen眉berzustellen. - Dokumente mit Hilfe von k-means nach Themen zu clustern. - Zu beschreiben, wie k-means mit MapReduce parallelisiert werden kann. -Untersuchen Sie probabilistische Clustering-Ans盲tze unter Verwendung von Mischungsmodellen. -Fitten Sie ein Gau脽-Mischungsmodell unter Verwendung von Erwartungsmaximierung (EM). -Modellieren Sie gemischte Zugeh枚rigkeiten unter Verwendung von Latent-Dirichlet-Allokation (LDA). -Beschreiben Sie die Schritte eines Gibbs-Samplers und wie Sie seine Ergebnisse verwenden, um Schlussfolgerungen zu ziehen. -Vergleichen und kontrastieren Sie Initialisierungstechniken 蹿眉谤 nicht-konvexe Optimierungsziele. -Implementieren Sie diese Techniken in Python.