Am Ende dieses Kurses werden die Teilnehmer in der Lage sein, Gehäusedatensätze vorzubereiten, Datenvorverarbeitungs- und -umwandlungstechniken anzuwenden, aussagekräftige Merkmale zu entwickeln, eine explorative Datenanalyse durchzuführen und Vorhersagemodelle unter Verwendung von linearer Regression in Python zu erstellen. Sie werden auch lernen, Multikollinearität mit dem Varianz-Inflationsfaktor (VIF) zu bewerten und die Vorhersagegenauigkeit mit bewährten Methoden der Modellevaluation zu validieren. Dieser Kurs führt Sie Schritt für Schritt durch den gesamten Arbeitsablauf der prädiktiven Modellierung, beginnend mit der Projekteinrichtung und dem Verständnis der Datensätze, gefolgt von fortgeschrittenen Techniken der Datenbereinigung, Korrelationsanalyse und Regressionsmodellierung. Durch praktische Übungen mit dem Ames-Housing-Datensatz erwerben Sie praktische Fähigkeiten bei der Umwandlung von Rohdaten in verwertbare Erkenntnisse. Das Besondere an diesem Kurs ist die durchgängige, projektbasierte Struktur, die reale Arbeitsabläufe des Maschinellen Lernens widerspiegelt. Statt abstrakter Theorie lernen Sie, indem Sie Konzepte direkt auf eine praktische Fallstudie anwenden - die Vorhersage von Hauspreisen mit realen Wohnungsdaten. Unabhängig davon, ob Sie Anfänger in der Datenwissenschaft sind oder Ihr Portfolio im Bereich des maschinellen Lernens ausbauen möchten, wird dieser Kurs Sie mit den Fähigkeiten ausstatten, regressionsbasierte Vorhersagen sicher zu implementieren.