Die erste Art von Machine Learning-Aufgaben, für die Sie Modelle erstellen werden, ist die Klassifizierung. Klassifizierung hat viele Anwendungen in vielen verschiedenen Bereichen, ist also ein guter Ausgangspunkt. In diesem Modul werden Sie Klassifizierungsmodelle trainieren, diese Modelle abstimmen und sie dann im Rahmen eines iterativen Verbesserungsprozesses auswerten.

Die nächste wichtige Aufgabe beim maschinellen Lernen, die Sie übernehmen werden, ist die Regression. Während es bei der Klassifizierung darum geht, Dinge in Kategorien einzuordnen, geht es bei der Regression um die Schätzung von Zahlen. Wie im vorherigen Modul werden Sie auch in diesem Modul Modelle trainieren, abstimmen und dann auswerten, die eine Regression durchführen.

Sie haben überwachte Lernmodelle mit Klassifizierung und Regression erstellt. Jetzt ist es an der Zeit, mit unüberwachten Lernmodellen zu arbeiten, bei denen markierte Daten nicht ohne weiteres verfügbar sind. In diesem Modul werden Sie unüberwachtes Lernen in Form von Clustering-Modellen implementieren, die Beobachtungen mit gemeinsamen Merkmalen gruppieren können. Genau wie zuvor werden Sie diese Modelle in einem Prozess aus Training, Abstimmung und Bewertung entwickeln.

Sie haben Modelle für Klassifizierung, Regression und Clustering entwickelt. In diesem Modul werden Sie das Gelernte in einem praktischen Szenario anwenden. Mithilfe eines Jupyter-Notebooks werden Sie Aufgaben zum maschinellen Lernen durchführen. Sie haben die Wahl zwischen drei Notebooks, von denen jedes eine andere Art von Algorithmus nutzt.