Modul #1 Einführung in maschinelles Lernen Überblick über maschinelles Lernen, Arten des maschinellen Lernens und Bedeutung des maschinellen Lernens
Modul #2 Mathematische Grundlagen Lineare Algebra, Differential- und Integralrechnung, Wahrscheinlichkeitsrechnung und Statistik
Modul #3 Datenvorverarbeitung Datenbereinigung, Merkmalsskalierung, Normalisierung und Merkmalsauswahl
Modul #4 Überwachtes Lernen Einführung in überwachtes Lernen, Regression und Klassifizierung
Modul #5 Lineare Regression Einfache und mehrfache lineare Regression, Kostenfunktion und Gradientenabstieg
Modul #6 Logistische Regression Logistische Regression, Sigmoidfunktion und Kostenfunktion
Modul #7 Entscheidungsbäume Einführung in Entscheidungsbäume, Entropie und Informationsgewinn
Modul #8 Random Forests Ensemble-Lernen, Random Forests und Hyperparameter-Tuning
Modul #9 Support Vector Machines Einführung in SVMs, Kernel-Trick und Soft Margin-SVMs
Modul #10 Unüberwachtes Lernen Einführung in unüberwachtes Lernen, Clustering und Dimensionsreduktion
Modul #11 K-Means-Clustering K-Means-Clustering-Algorithmus, Kostenfunktion und Lloyds-Algorithmus
Modul #12 Hierarchisches Clustering Hierarchisches Clustering, agglomeratives und divisives Clustering
Modul #13 Hauptkomponentenanalyse Einführung in PCA, Eigenwerte und Eigenvektoren
Modul #14 Grundlagen des Deep Learning Einführung in Deep Learning, neuronale Netzwerke und Perceptron
Modul #15 Convolutional Neural Networks Einführung in CNNs, Convolutional-Schichten und Pooling-Schichten
Modul #16 Recurrent Neural Networks Einführung in RNNs, LSTM und GRU
Modul #17 Natural Language Processing Einführung in NLP, Textvorverarbeitung und Wort Einbettungen
Modul #18 Modellbewertung und -auswahl Metriken für Bewertung, Überanpassung und Modellauswahltechniken
Modul #19 Hyperparameter-Tuning Einführung in Hyperparameter-Tuning, Rastersuche und Zufallssuche
Modul #20 Modellbereitstellung Bereitstellung von Modellen für maschinelles Lernen, Modellbereitstellung und Überlegungen
Modul #21 Ethik und Fairness beim maschinellen Lernen Voreingenommenheit und Fairness beim maschinellen Lernen, Ethik und Transparenz
Modul #22 Fallstudien zum maschinellen Lernen Reale Anwendungen des maschinellen Lernens, Fallstudien und Projekte
Modul #23 Fortgeschrittene Themen des maschinellen Lernens Fortgeschrittene Themen des maschinellen Lernens, einschließlich bestärkendem Lernen und generativen Modellen
Modul #24 Kursabschluss und Schlussfolgerung Planen Sie die nächsten Schritte in Ihrer Karriere im maschinellen Lernen
