Dieses Modul wird Ihnen helfen, Techniken zur Dimensionalitätsreduktion zu beherrschen, um hochdimensionale Daten effektiv zu verarbeiten. Sie lernen, die Hauptkomponentenanalyse (PCA) anzuwenden, um die Dimensionalität zu reduzieren und gleichzeitig die wichtigsten Merkmale beizubehalten, t-distributed Stochastic Neighbor Embedding (t-SNE) zu verwenden, um hochdimensionale Daten im 2D/3D-Raum für Clustering und Mustererkennung zu visualisieren, und Uniform Manifold Approximation and Projection (UMAP) für eine effiziente Dimensionalitätsreduktion zu implementieren, indem Sie die Geschwindigkeit und die strukturerhaltenden Eigenschaften nutzen.

In diesem Modul konzentrieren Sie sich auf Techniken zur Verarbeitung natürlicher Sprache, von der grundlegenden Textvorverarbeitung bis zur fortgeschrittenen Sentimentanalyse. Sie lernen die Vorverarbeitung von Textdaten durch Tokenisierung, Stoppwortentfernung und Stemming/Lemmatisierung mit Natural Language Toolkit (NLTK) und spaCy. Durch die Implementierung der Klassifizierung von Texten mit verschiedenen Techniken wie Bag-of-Words, TF-IDF und Einbettung von Wörtern werden Sie praktische Erfahrungen mit NLP-Aufgaben sammeln. Außerdem trainieren Sie Modelle zur Sentimentanalyse mit Hugging Face Transformers und Scikit-learn.

Bestärkendes Lernen Beschreibung: In diesem Modul werden Sie die Grundlagen des Bestärkenden Lernens (RL) erforschen, einschließlich Markov-Entscheidungsprozesse (MDPs) und belohnungsbasiertes Lernen. Sie werden die Schlüsselkomponenten von RL-Systemen verstehen und sowohl richtlinienbasierte als auch wertbasierte Lerntechniken implementieren. Anhand von praktischen Beispielen und praktischer Umsetzung werden Sie entdecken, wie RL in realen Szenarien wie Robotik, Spiele und Finanzen angewendet wird.

Dieses Modul konzentriert sich auf automatisierte Techniken des Maschinellen Lernens und die Optimierung von Modellen. Sie lernen, die Modellauswahl und die Abstimmung von Hyperparametern mit Auto-sklearn und GridSearchCV zu automatisieren und Modelle mit MLflow für die Nachverfolgung und Reproduzierbarkeit von Experimenten zu optimieren. Sie werden auch Bayes'sche Optimierungstechniken zur Verbesserung der Modellgenauigkeit kennenlernen. Das Modul schließt mit einem umfassenden Abschlussprojekt ab, das mehrere Techniken aus dem gesamten Kurs kombiniert.