Kursbeschreibung

Einführung, Umgang mit Daten und erste Anwendungen

Trainings- und Testdaten
Daten sichten
Vorhersagen treffen

Überwachtes Lernen

Klassifikation, Regression, Verallgemeinerung
Over- und Underfitting, Beispieldatensätze
k-nächste-Nachbarn, Lineare Modelle
Entscheidungsbäume und Naive Bayes-Klassifikation
Support Vector Machines, Deep Learning

Unüberwachtes Lernen

Vorverarbeitung, Dimensionsreduktion, Extraktion von Merkmalen
Nicht-negative-Matrix-Faktorisierung, Manifold Learning mit t-SNE
Clusteranalyse-k-means-Clustering, Agglomeratives Clustering
DBSCAN, Vergleichen und Auswerten von Clusteralgorithmen

Repräsentation von Daten und Merkmalsgenerierung

Kategorische Variablen, Interaktion und Polynome
Univariate nicht lineare Transformation
Univariate Statistiken, Modellbasierte Auswahl von Merkmalen