Eine verständnisorientierte Einführung in Merkmalsräume, Modellziele, Pipelines und kleine Klassifikationsprojekte.
Verbinde die geometrische Intuition von Vektoren mit Überlegungen zu nächsten Nachbarn, verstärkten Bäumen, Verlustfunktionen, Vorverarbeitungs-Pipelines und zwei kompakten Beispielen für neuronale Netze. Die Abfolge nutzt YouTube-Lektionen von CampusX als anschauliche Demonstrationen. Entscheidend ist die Frage, welche Daten, welches Ziel, welcher Datensatz und welches Bewertungsmaß ein Modell verwendet, statt ein Codebeispiel als Beleg für seine Verallgemeinerbarkeit zu behandeln.
Beschreibe ein einfaches Beispiel für maschinelles Lernen anhand von Merkmalen, Zielwerten und einem Merkmalsraum. Stelle Verfahren mit nächsten Nachbarn und Boosting auf hoher Ebene gegenüber. Erkläre, warum eine Verlustfunktion und eine Vorverarbeitungs-Pipeline wichtig sind. Dokumentiere ein kleines Klassifikationsexperiment mit einer ausdrücklich beschriebenen Bewertungsprüfung.
Vertrautheit mit grundlegender Python-Syntax und elementarer Algebra wird empfohlen. Praktische Vorkenntnisse in der Implementierung von maschinellem Lernen werden nicht vorausgesetzt.
Einsteiger, die eine klare, geführte Einführung ohne unnötigen Fachjargon suchen
Menschen, die am besten mit Beispielen, Anleitung und praktischen Übungen lernen
Fachleute, Kreative und unabhängige Entwickler, die wiederholbare Abläufe suchen
Lektion 1 ist kostenlos
7 lektionen · Anfänger · Vollständiger Kurs.
Dieser Kurs verwendet CC BY-lizenziertes Material mit Namensnennung des Inhaltsanbieters oder Uploaders. Die Wiedergabe der Lektionen ist erst nach Anmeldung und bestandener Veröffentlichungs- und Lizenzprüfung verfügbar.