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

Maschinelles Lernen komplett: Regression, Klassifizierung, Clustering, NLP, AI, KI, Deep Learning & Neuronale Netze

4.83 (2825 reviews)
Udemy
platform
Deutsch
language
Data Science
category
instructor
19,437
students
36 hours
content
Sep 2023
last update
$69.99
regular price

What you will 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, ...)

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. 

Content

Einleitung

Warum Machine Learning?
Wer bin ich? Wie ist dieser Kurs aufgebaut?
Python oder R?
Download der benötigten Materialien

Einrichtung der Python-Umgebung

Installation der benötigten Tools
Crashkurs: Unsere Jupyter-Umgebung
Wie findest du die richtige Datei in den Kursmaterialien?

Einrichtung der R-Umgebung

Installation von R und RStudio
Crashkurs: R und RStudio
Wie findest du die richtige Datei in den Kursmaterialien?
Hinweis zu den nächsten Lektionen
Kurzeinführung: Vektoren in R
Kurzeinführung: data.table in R

Grundlagen Machine-Learning

Was ist ein Modell?
Was für Problemstellungen gibt es im Machine Learning?

Lineare Regression

Intuition: Lineare Regression (Teil 1)
Intuition: Lineare Regression (Teil 2)
Intuition nachvollziehen mit Geogebra
Check: Lineare Regression
Python: Daten einlesen und Grafik zeichnen
Hinweis zu Excel
Python: Lineare Regression (Teil 1)
Python: Lineare Regression (Teil 2)
R: Lineare Regression (Teil 1)
R: Lineare Regression (Teil 2)
R: Lineare Regression (Teil 3)
R: Lineare Regression (Teil 4)
Exkurs (optional): Warum verwenden wir den quadratischen Fehler?

Praxisprojekt: Lineare Regression

Vorstellung: Praxisprojekt Lineare Regression (Gebrauchtwagenverkäufe)
Praxisprojekt: Lineare Regression
Python: Musterlösung
R: Musterlösung

Train / Test

Intuition: Train / Test
Check: Train / Test
Python: Train / Test (Teil 1)
Python: Train / Test (Teil 2)
Python: Train / Test - Aufgabe
R: Train / Test (Teil 1)
R: Train / Test (Teil 2)
R: Train / Test - Aufgabe

Lineare Regression mit mehreren Variablen

Intuition: Lineare Regression mit mehreren Variablen (Teil 1)
Intuition: Lineare Regression mit mehreren Variablen (Teil 2)
Check: Lineare Regression mit mehreren Variablen
Python: Lineare Regression mit mehreren Variablen (Teil 1)
Python: Lineare Regression mit mehreren Variablen (Teil 2)
R: Lineare Regression mit mehreren Variablen (Teil 1 + 2)

Modelle vergleichen: Bestimmtheitsmaß

Intuition: R² - Das Bestimmtheitsmaß (Teil 1)
Intuition: R² - Das Bestimmtheitsmaß (Teil 2)
Check: R² / Bestimmtheitsmaß
Python: R² ausrechnen
Python: Modelle anhand von R² vergleichen
R: R² ausrechnen
R: Modelle anhand von R² vergleichen

Praxisprojekt: Bestimmtheitsmaß

Einführung: Praxisprojekt Bestimmtheitsmaß
Hinweis: Wo findest du das Projekt?
Python, Praxisprojekt: Bestimmtheitsmaß berechnen
R, Praxisprojekt: Bestimmtheitsmaß berechnen

Konzept: Arten von Daten und wie du sie verarbeiten kannst

Intuition: Datenarten (Teil 1) - Welche Arten gibt es?
Intuition: Datenarten (Teil 2) - Metrische & Nominale Daten
Intuition: Datenarten (Teil 3) - Ordinale Daten
Python: Nominale Daten verarbeiten (Teil 1, Daten vorbereiten)
Prüfe deine Lösung!
Python: Nominale Daten verarbeiten (Teil 2)
R: Nominale Daten verarbeiten (Teil 1 + 2)
Optionaler Exkurs: Warum haben wir eine Spalte entfernen dürfen?

Polynomiale Regression

Intuition: Polynomiale Regression (Teil 1)
Intuition: Polynomiale Regression (Teil 2)
Python: Polynomiale Regression (Teil 1)
Python: Polynomiale Regression (Teil 2)
R: Polynomiale Regression (Teil 1)
R: Polynomiale Regression (Teil 2)

Praxisprojekt: Polynomiale Regression

Vorstellung: Praxisprojekt Polynomiale Regression
Python: Musterlösung: Projekt Polynomiale Regression
R: Musterlösung: Projekt Polynomiale Regression

Exkurs R: Berechnungen vektorisieren in R (Matrizen, ...)

R: Vektoren und Matrizen
R: Auf Elemente in Vektoren zugreifen
R: Benennung von Elementen
R: Matrizen
R: Matrizen benennen
R: DataTables

Exkurs Python: Berechnungen vektorisieren (Numpy)

Exkurs Python: Warum Numpy? (Teil 1)
Exkurs Python: Warum Numpy? (Teil 2)
Exkurs Python: Numpy (Arrays)
Exkurs Python: Numpy (Arrays - Anwendung)
Exkurs Python: Numpy (Matrizen)
Exkurs Python: Die np.where()-Funktion

Stabilere Testergebnisse mit der K-Fold Cross-Validation

Intuition: K-Fold Cross-Validation
K-Fold Cross-Validation
Python: K-Fold Cross-Validation (Teil 1)
Python: K-Fold Cross-Validation (Teil 2)
Python: K-Fold Cross-Validation (Teil 3)
R: K-Fold Cross-Validation (Teil 1-3)
Intuition: Repeated K-Fold Cross-Validation
Repeated K-Fold Cross-Validation
Python: Repeated K-Fold Cross-Validation
R: Repeated K-Fold Cross-Validation

Praxisprojekt: K-Fold Cross-Validation

Aufgabenstellung: K-Fold Cross-Validation
Python: Musterlösung K-Fold Cross-Validation
R: Musterlösung K-Fold Cross-Validation

Statistische Grundlagen

Warum brauchen wir statistische Grundlagen?
Intuition: Mittelwert vs. Median
Mittelwert und Median
Python: Mittelwert & Median berechnen
R: Mittelwert & Median berechnen
Intuition: Stichprobe
Intuition: Varianz und Standardabweichung
Varianz und Standardabweichung
Expertenwissen (optional): Korrigierte Stichprobenvarianz
Python: Histogramme zeichnen
R: Histogramme zeichnen

Projekt: Statistische Grundlagen

Einführung: Praxisprojekt "Statistische Grundlagen"
Python Exkurs: Daten öffnen und filtern
R Exkurs: Daten öffnen und filtern
Python: Musterlösung Projekt "Statistische Grundlagen"
R: Musterlösung Projekt "Statistische Grundlagen"

Klassifizierung

Intuition: Was ist Klassifizierung?
Klassifizierung
Vorstellung: Unsere Beispieldaten

Logistische Regression

Intuition: Logistische Regression
Logistische Regression
Intuition: Logistische Regression (Fehlerterm)
Python: Daten anzeigen
Python: Daten skalieren
Python: Daten vorhersagen
Python: Entscheidungsgrenze visualisieren
Python: Entscheidungsgrenze visualisieren (fließender Übergang)
Python (optional): Wie wird Entscheidungsgrenze visualisiert? (Teil 1)
Python (optional): Wie wird Entscheidungsgrenze visualisiert? (Teil 2)
Python: Dein Klassifizierungs-Template
R: Daten anzeigen
R: Daten skalieren
R: Entscheidungsgrenze visualisieren
R: Entscheidungsgrenze visualisieren (fließender Übergang)
R (optional): Wie wird Entscheidungsgrenze visualisiert?
R: Genauigkeit ausrechnen
R: Dein Klassifizierungs-Template

Praxisprojekt: Brustkrebs vorhersagen

Python: Aufgabe Projekt Brustkrebs
Python: Musterlösung Projekt Brustkrebs
R: Aufgabe Projekt Brustkrebs
R: Musterlösung Projekt Brustkrebs

Klassifizierung mit mehreren Klassen

Intuition: One-Vs-All, One-Vs-One
Onv-vs-all, One-vs-one
Python: One-Vs-All, One-Vs-One
R: One-Vs-All
Intuition: Multinomiale Logistische Regression
Python: Multinomiale Logistische Regression
R: Multinomiale Logistische Regression

K-Nächste-Nachbar (KNN)

Intuition: KNN
KNN
Python: KNN
Python: KNN (Auswirkungen von k)
R: KNN
R: KNN (Auswirkungen von k)
R: KNN (Tipp: Die predict-Funktion)

Praxisprojekt: Iris-Blütenblätter klassifizieren

Projekt: Iris (Einführung)
Python: Aufgabe Projekt "Iris"
Python: Musterlösung Projekt "Iris"
R: Aufgabe Projekt "Iris"
R: Musterlösung Projekt "Iris"

Entscheidungsbäume

Intuition: Entropie
Entropie
Intuition: Entscheidungsbäume
Entscheidungsbäume
Weiterführende Informationen: Entropie
Python: Entscheidungsbäume
Python: Entscheidungsbäume visualisieren (Teil 1)
Python: Entscheidungsbäume visualisieren (Teil 2)
Python: Entscheidungsbäume beschränken
Python: Entscheidungsbäume exportieren
R: Entscheidungsbäume
R: Entscheidungsbäume visualisieren (Teil 1)
R: Entscheidungsbäume visualisieren (Teil 2)
R: Entscheidungsbäume (die predict()-Funktion)
R: Entscheidungsbäume beschränken
R: Entscheidungsbäume exportieren

Praxisprojekt: Pilze klassifizieren

Aufgabe: Projekt Pilze klassifizieren
Python: Lösungshinweise
Python: Musterlösung
R: Lösungshinweise
R: Musterlösung

Random Forests

Intuition: Random Forest
Random Forest
Python: Random Forest
R: Random Forest
Aufgabe: RandomForest

Das Bias/Varianz-Dilemma

Intuition: Trainings- vs. Testerror
Intuition: Bias vs. Varianz
Bias & Varianz
Intuition: Vergleich Modelle mit hohem Bias bzw. hoher Varianz
Intuition: Validation-Curve
Python: Validation-Curve
Python: Aufgabe Validation-Curve
Python: Musterlösung Validation-Curve
R: Validation-Curve
R: Validation-Curve (die sapply-Funktion)
R: Aufgabe Validation-Curve
R: Musterlösung Validation-Curve
Intuition: Wann benötigst du mehr Daten?
Intuition: Lernkurve
Lernkurve
Python: Lernkurve zeichnen
R: Lernkurve zeichnen (Teil 1)
R: Lernkurve zeichnen (Teil 2)

Naiver Bayes

Einführung: Naiver Bayes
Intuition: Naiver Bayes (Wahrscheinlichkeiten)
Intuition: Naiver Bayes (Bedingte Wahrscheinlichkeiten)
Intuition: Naiver Bayes (Satz von Bayes)
Intuition: Naiver Bayes (Exkurs Normalverteilung)
Intuition: Naiver Bayes (Teil 1)
Intuition: Naiver Bayes (Teil 2)
Python: Naiver Bayes
R: Naiver Bayes

Praxisprojekt: Spam-Filter entwickeln

Projektvorstellung: Spam-Filter
Intuition: Text-Daten einlesen
Intuition: Multinomialer Naiver Bayes
Python: Spamfilter entwickeln (Teil 1)
Python: Spamfilter entwickeln (Teil 2)
R: Spamfilter entwickeln (Teil 1)
R: Spamfilter entwickeln (Teil 2)
R: Spamfilter entwickeln (Teil 3)
R + Python: Unterschiede zwischen den Implementierungen

SVM (ohne Kernel)

Intuition: SVM
Support Vector Machines
Python: SVM
R: SVM
Intuition: Was sind Support Vectors?
Intuition: Der Parameter C
Der Parameter C
Python: Der Parameter C
R: Der Parameter C

SVM (mit Kernel)

Intuition: SVM (poly Kernel)
Kernel-Trick
Python: SVM (poly Kernel)
R: SVM (poly Kernel)
Intuition: SVM (rbf Kernel)
Gamma vs. Sigma?
Python: SVM (rbf Kernel)
R: SVM (rbf Kernel)
Intuition: Die Parameter C und gamma bei der SVM mit rbf Kernel
Der RBF-Kernel

Praxisprojekt: Ziffernerkennung programmieren

Einführung: Praxisprojekt MNIST Ziffernerkennung
Einführung: Vorstellung der MNIST-Daten
Python: MNIST-Daten öffnen (Teil 1)
Python: MNIST-Daten öffnen (Teil 2)
Python: MNIST-Daten öffnen (Teil 3)
Python: MNIST-Daten öffnen (Performance Hinweise)
R: MNIST-Daten öffnen (Teil 1)
R: MNIST-Daten öffnen (Teil 2)
MNIST-Daten können nicht gefunden werden
Fordere andere Teilnehmer heraus!
Frage: Passt das so? Ausführlichere Lösung gewünscht?

Wie optimierst du die Genauigkeit von Modellen?

Intuition: Warum reicht die Genauigkeit nicht immer aus?
Intuition: Fehlertypen
Fehlertypen
Confusion Matrix
Python: Confusion Matrix berechnen
R: Confusion Matrix berechnen
Intuition: ROC-Curve, AUC-Score
Python: ROC-Curve, AUC-Score
R: ROC-Curve, AUC-Score
R: Exkurs Objektorientierung

Hyperparameter

Intuition: Hyperparameter
Python: Hyperparameter optimieren (Pipeline erstellen)
Python: Hyperparameter optimieren (GridSearchCV)
R: Hyperparameter optimieren (Teil 1)
R: Hyperparameter optimieren (Teil 2)
R: Hyperparameter optimieren (Teil 3)
R: Andere Modelle trainieren (mit caret)
Intuition: Train/Validation/Test
Train / Validation / Test
Python: Train/Validation/Test
R: Train/Validation/Test
Python: Aufgabe Hyperparameter optimieren (SVM)
Python: Musterlösung Hyperparameter optimieren (SVM)
R: Aufgabe Hyperparameter optimieren (SVM)
R: Musterlösung Hyperparameter optimieren (SVM)

Dimensionsreduktion mit der PCA

Intuition: PCA
PCA
Python: PCA zum Visualisieren von Daten (Teil 1)
Python: PCA zum Visualisieren von Daten (Teil 2)
Python: PCA zum Visualisieren von Daten (Teil 3)
Python: PCA zum Visualisieren von Daten (Teil 4)
Python: PCA zum Komprimieren von Daten (Teil 1)
Python: PCA zum Komprimieren von Daten (Teil 2)
Python: Freie Aufgabe - Weiter mit den Daten herumspielen
R: PCA zum Visualisieren von Daten (Teil 1)
R: PCA zum Visualisieren von Daten (Teil 2)
R: PCA zum Visualisieren von Daten (Teil 3)
R: PCA zum Komprimieren von Daten (Teil 1)
R: PCA zum Komprimieren von Daten (Teil 2)
R: Freie Aufgabe - Weiter mit den Daten herumspielen
Intuition: PCA für Komprimierung von Daten

Statistische Grundlagen (Teil 2)

Intuition: Kovarianz
Intuition: Korrelation
Kovarianz und Korrelation
Python: Kovarianz & Korrelation ausrechnen
Python: Kovarianz & Korrelation ausrechnen - Tipps
R: Kovarianz & Korrelation ausrechnen
R: Kovarianz & Korrelation ausrechnen (Tipps)

Daten einlesen

Python: Daten einlesen und filtern
Python: Daten ersetzen
Python: Daten sortieren und Informationen anzeigen
R: Spalten ändern mit data.table (Teil 1)
R: Spalten ändern mit data.table (Teil 2)
R: Daten sortieren
R: Werte abfragen

Komplettes Projekt: Wert von Gebrauchtwagen schätzen

Intuition: So gehst du an echte Daten heran
Python: Praxisprojekt Autos (Teil 1)
Python: Praxisprojekt Autos (Teil 2)
Python: Praxisprojekt Autos (Teil 3)
Python: Praxisprojekt Autos (Teil 4)
Python: Praxisprojekt Autos (Teil 5)
Python: Praxisprojekt Autos (Teil 6)
Python: Praxisprojekt Autos (Teil 7)
Python: Praxisprojekt Autos (Teil 8)
Hinweis zu den nächsten Lektionen
R: Praxisprojekt Autos (Teil 1)
R: Praxisprojekt Autos (Teil 2)
R: Praxisprojekt Autos (Teil 3)
R: Praxisprojekt Autos (Teil 4)
R: Praxisprojekt Autos (Teil 5)
R: Praxisprojekt Autos (Teil 6)
R: Praxisprojekt Autos (Teil 7)
R: Praxisprojekt Autos (Teil 8)

Clustering: KMeans

Intuition: KMeans
K-Means Clustering
Python: KMeans (Teil 1)
Python: KMeans (Teil 2)
R: KMeans (Teil 1)
R: KMeans (Teil 2)
R: KMeans (Teil 3, weitere Parameter)
Intuition: Die Elbow-Method
Die Elbow-Method
Python: Die Elbow-Method
R: Die Elbow-Method

Praxisbeispiel: Bilder mit KMeans komprimieren

Intuition: Bilder mit KMeans komprimieren (Teil 1)
Intuition: Bilder mit KMeans komprimieren (Teil 2)
Python: Ekurs Skimage
Python: Farben mit KMeans komprimieren
Python: Farben mit KMeans komprimieren (Datei abspeichern)
R: Exkurs Imager (Teil 1)
R: Exkurs Imager (Teil 2)
R: Farben mit KMeans komprimieren
R: Farben mit KMeans komprimieren (Datei abspeichern)

Natural Language Processing

Intuition: Was ist Natural Language Processing?

Reguläre Ausdrücke

Intuition: Reguläre Ausdrücke
Python: Reguläre Ausdrücke (Teil 1)
Python: Reguläre Ausdrücke (Teil 2)
Python: Reguläre Ausdrücke - E-Mails extrahieren
Python: Aufgabe Reguläre Ausdrücke
Python: Musterlösung Reguläre Ausdrücke
R: Reguläre Ausdrücke (Teil 1)
R: Reguläre Ausdrücke (Teil 2)
R: Reguläre Ausdrücke - E-Mails extrahieren (Teil 1)
R: Reguläre Ausdrücke - E-Mails extrahieren (Teil 2)
R: Aufgabe Reguläre Ausdrücke
R: Musterlösung Reguläre Ausdrücke

Python: Natural Language Processing mit NLTK

Python: Was erwartet dich in diesem Abschntit?
Python: Was tun bei: NLTK - LookupError
Python: Einführung NLTK
Python: Part-of-Speech-Tagging
Python: Part-of-Speech-Tagging - Wie funktioniert es?
Python: Wortendungen entfernen (Stemming)
Python: Wortendungen entfernen (Lemmatizer)
Woher kommen die Daten?
Python: Praxisprojekt: Bedeutung von Adjektiven erlernen (Teil 1)
Python: Praxisprojekt: Bedeutung von Adjektiven erlernen (Teil 2)
Python: Praxisprojekt: Bedeutung von Adjektiven erlernen (Teil 3)

R: Natural Language Processing

R: Natural Language Processing - Einführung
R: Installation der benötigten Tools (Windows)
R: Installation der benötigten Tools (Mac / Linux)
R: Text zerlegen (Tokenizer)
R: Wortendungen entfernen (Stemming)
R: Part-of-Speech-Tagging
Woher kommen die Daten?
R: Praxisprojekt: Bedeutung von Adjektiven lernen (Teil 1)
R: Praxisprojekt: Bedeutung von Adjektiven lernen (Teil 2)
R: Praxisprojekt: Bedeutung von Adjektiven lernen (Teil 3)

Bonus: Neuronale Netze in Python (Einführung)

Wie ist dieser Bonus aufgebaut?
WICHTIG: Keras und Python 3.7!
Crashkurs: Ein lineares Neuron
Aktivierungsfunktion (Intuition)
Aktivierungsfunktion (in Python)
Optionaler Exkurs: Warum lassen sich Neuronen nicht "hintereinanderschalten"?
Wie ist ein Neuronales Netz aufgebaut?
Wie werden die Gewichte aktualisiert? - Teil 1
Wie werden die Gewichte aktualisiert? - Teil 2
Das Gradientenabstiegsverfahren
Stochastic Gradient Descent
Backpropagation (Teil 1)
Backpropagation (Teil 2)

Bonus: Neuronale Netze in Python (Regression)

Vorstellung Keras und Tensorflow
Installation von Keras und Tensorflow
Vorstellung des Projekts
Vorstellung der Daten
Unser erstes Neuronales Netz
Wir machen erste Vorhersagen
Genauigkeit berechnen (manuell)
Genauigkeit berechnen (mit Keras)
Train / Test mit Keras

Bonus: Neuronale Netze in Python (Mehrere Ausgänge)

Ein Neuronales Netz mit mehreren Ausgängen
Wie beurteilen wir die Genauigkeit vom Netz?
Confusion-Matrix generieren lassen
Vorstellung: Softmax
Neuronales Netz mit Softmax
Aktivierungsfunktionen
Neuronales Netz mit verschiedenen Aktivierungsfunktionen
Vorstellung der verschiedenen Optimizer
Neuronales Netz mit verschiedenen Optimizern trainieren
Wie komplex darf überhaupt unser Netz sein?

Bonus: Neuronale Netze in Python (CNN)

Motivation: CNN
Exkurs: Wie ist ein Bild aufgebaut?
Wie ist ein CNN-Layer aufgebaut?
CNN mit Keras (inkl. Aufgabe)
CNN - Lösungstipps
CNN mit Keras (Musterlösung)
Gewichte visualisieren
Aktivierungen visualisieren
Intuition: Max-Pooling-Layer
Max-Pooling mit Keras
Visualisierung eines neuronalen Netzes
Dropout
Dropout mit Keras
Weitere Hinweise

Schluss

Schluss

Screenshots

Machine Learning von A-Z: Lerne Python & R für Data Science! - Screenshot_01Machine Learning von A-Z: Lerne Python & R für Data Science! - Screenshot_02Machine Learning von A-Z: Lerne Python & R für Data Science! - Screenshot_03Machine Learning von A-Z: Lerne Python & R für Data Science! - Screenshot_04

Reviews

Florian
September 27, 2023
Der Kurs ist sehr gut strukturiert und ich als absoluter Anfänger im Bereich ML und als Grünschnabel in Python und R konnte diesem Kurs, auch gerade wegen der vielen praxisnahen Beispiele, sehr gut folgen. Vielen Dank für diesen wirklich großartig und mühevoll gestalteten Kurs!
Lucas
February 11, 2023
Sehr gut komplexe Zusammenhänge visuell dargestellt und erklärt, jedoch hat mir oft die mathematische Tiefe gefehlt.
Anton
February 9, 2023
Sehr gut strukturiert! Ich habe für mich aus dem Kurs klarer gemacht wie Entscheidungen bei einer KI in verschiedenen Anwendungsszenarien getroffen werden. Viele Dank dafür!
Nikolaus
February 4, 2023
Kein Vergleich zu dem anderen Intro-Kurs für ML, präzise formuliert, klare Aussprache, nur die "pü"-Files fand ich lustig ;)
SteffenReuter
January 29, 2023
Alles wird gut verständlich auf einfache und anschauliche Art erklärt. Ich tue mich allerdings schwer, da auch python für mich Neuland ist.
Daniela
October 27, 2022
Alles sehr ausführlich und genau dargestellt. Das nötige Hintergrundwissen auf eine einfach Basis runtergebrochen und mit vielen Beispielen gut bildlich aufgezeigt.
Simon
June 27, 2022
Ein hervorragender Kurs, um sich einen Überblick über Machine Learning zu verschaffen. Dazu viele Praxisbeispiele und anschauliche Erklärungen!
Stefan
June 10, 2022
Vielen Dank für den tollen Kurs. Gerne mehr von den Praxisbeispielen, wie du mit einem unbereinigten Datensatz umgehst und vor welchen Problemen du stehst. Das war sehr hilfreich und zeigt, wie schwer es am Anfang sein kann eine gute Datenlage zu bekommen. Alle Inhalte wie immer super aufbereitet und dokumentiert. Der Stoff hilft mir sehr beim Data Analyst Einstieg und weiterer Berufsweiterentwicklung in diesem Bereich. Jetzt gehts weiter mit deinem SQL Kurs. Danke, dass du deine Kurse immer auf dem Laufenden hältst.
Karl-Heinz
June 5, 2022
Die Umsetzung von (doch stellenweise anspruchsvoller) Mathematik zu Bildern ist beeindruckend gelöst. Durch meine persönliche Situation waren die Programming bezogenen Teile weniger wichtig. Ich arbeite mit einem Team von "Software Scientists", die von mir vor allem den Input und den Background der Daten (Medizintechnik - Neurodiagnostik) brauchen. Der Output und die Validität der Ergebnisse fällt dann wieder auf mich zurück. Trotzdem habe ich mir (als Nicht-Programmierer!) alle Python bezogenen Anteile gegeben. R habe ich mir geschenkt. Der Kurs war sicher sehr hilfreich um Sprach- bzw. Verständnislücken zwischen mir (Input) und dem Team (Implementation) auf eine grundlegend neue Basis zu stellen. Danke Jannis!
Bojan
May 6, 2022
Für Einsteiger sehr geeignet! Die Verfahren werden Schritt für Schritt erklärt. Die mathematischen Verfahren werden plastisch dargestellt.
Janett
May 2, 2022
Ich bin absoluter Anfänger in Python oder R. Bis jetzt ist alles total verständlich erklärt. Ich bin begeistert.
Artur
April 13, 2022
Sehr informativ und lehrreich. Kann man empfehlen. Selbst wenn man es nicht selbst anwendet, kann man zumindest die Zusammenhänge erkennen und dann besser beurteilen.
Björn
March 30, 2022
Ich hatte zuerst den reinen R Kurs von Jannis Sennemann gekauft den ich sehr trocken empfand. Dieser Kurs ist sehr erfrischend und trifft genau was ich gesucht habe. Ein Kurs für den Anfänger bis zum Profi.
Peter
March 14, 2022
Prinzipiell fand ich den Kurs recht gut, um die Grundlagen von ML kennenzulernen. Ich würde mir generell wünschen, etwas mehr praxisbezug einzubringen - wir kann ich ML dann tatsächlich in der Praxis anwenden, vielleicht eingebunden in ein kleines (Python)Programm....
Ralf
November 14, 2020
Update: ich habe endlich einen Job im Bereich Data Science gelandet. Dieser Kurs ist ein wichtiges Puzzleteil hierfür. Danke Jannis, dass Du mir zu meinem neuen Job verholfen hast!

Coupons

DateDiscountStatus
11/1/202386% OFF
expired
11/17/202386% OFF
expired

Charts

Price

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

Rating

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

Enrollment distribution

Machine Learning von A-Z: Lerne Python & R für Data Science! - Distribution chart
1449348
udemy ID
11/27/2017
course created date
11/1/2019
course indexed date
Bot
course submited by