In diesem Modul werden wir uns mit zwei der grundlegendsten Algorithmen für maschinelles Lernen beschäftigen: K-Means und Support-Vektor-Maschinen. Wir beginnen mit einem Vergleich der beiden Zweige des maschinellen Lernens: überwachtes und unüberwachtes Lernen. Dann gehen wir auf die spezifischen Gemeinsamkeiten und Unterschiede zwischen K-Nächste Nachbarn für die Klassifizierung und K-Means Clustering ein. Schließlich tauchen wir tief in K-Means und SVMs ein, lernen die grundlegende Theorie dahinter kennen und erfahren, wie man sie in Python implementiert.

In diesem Modul werden wir einige fortgeschrittene KI-Techniken erkunden. Wir beginnen mit baumbasierten Algorithmen, die durch die Verwendung von Random Forests sowohl für die Klassifizierung als auch für die Regression populär geworden sind. Dann werden wir uns zu den neuronalen Netzwerken vorarbeiten, indem wir mit den verschiedenen Modellen experimentieren. Wir werden einige Zeit im Tensorflow-Spielplatz verbringen, um uns mit den verschiedenen Mechanismen hinter neuronalen Netzwerken vertraut zu machen. Schließlich werden wir unsere eigenen neuronalen Netze programmieren, um Vorhersagen für ungesehene Daten zu treffen.

In diesem Modul werden wir ein Kursprojekt zur Vorhersage von Diabetes anhand von Gesundheitsdaten durchführen. Wir werden verschiedene Regressoren vergleichen, indem wir sie implementieren und den Fehler in einem Testsatz überprüfen.