Methoden des überwachten maschinellen Lernens

Name: Methoden des überwachten maschinellen Lernens
Author: Gabriel Popoola

In diesem Kapitel lernen Sie die Konzepte und Techniken des überwachten Lernens kennen. Es wird die lineare und logistische Regression behandelt. Sie lernen…

Preview the first lesson free — get full access to all 4 lessons.

Demo anfragen Anmelden

Kurs: On-Demand

Willkommen beim Kurs von Knowledge City zum maschinellen Lernen, Methoden des überwachten maschinellen Lernens. In diesen Lektionen lernen Sie linear und logistische Regression, Support Vector Machines, Entscheidungsbäume und Random Forest sowie neuronale Netze. In dieser Lektion geht es um lineare und logistische Regression. In dieser Lektion lernen Sie, was lineare Regression ist, Was ist logistische Regression, wie werden lineare und logistische Regression verwendet, und wie werden lineare und logistische Regression implementiert? Was ist lineare Regression? Die lineare Regression ist eine der grundlegendsten Algorithmen für maschinelles Lernen verwendet, um eine kontinuierliche Variable vorherzusagen. Bei der einfachen linearen Regression Es gibt eine unabhängige Variable, die zur Vorhersage verwendet wird die abhängige Variable. Und bei der multiplen linearen Regression Es werden mehrere abhängige Variablen verwendet um die abhängige Variable vorherzusagen. Einige Anwendungen umfassen Statistiken, Trendauswertungen, und Bewertung der Marketingwirksamkeit. Was ist logistische Regression? Die logistische Regression ist sehr beliebt Technik des überwachten maschinellen Lernens die typischerweise für Klassifikationsprobleme verwendet wird. Es verwendet mehrere unabhängige Variablen, um eine Klasse vorherzusagen durch Verwendung einer Maximum-Likelihood-Schätzung. Die logistische Regression wird am besten verwendet für binäre Klassifikationsprobleme, obwohl es nicht vollständig eingeschränkt ist zu dieser Kategorie von Problemen. Einige Anwendungen umfassen Spam-Filter, Feststellung, ob ein Tumor gut- oder bösartig ist, und Vorhersagen der Wahrscheinlichkeit des Eintretens eines Ereignisses. Jetzt werden wir uns damit befassen, wie linear und logistische Regression sind in Python implementiert. Also diese Implementierungen, wir verwenden das scikit-learn-Paket, die wiederum eine große Vielfalt enthält des überwachten und unüberwachten maschinellen Lernens, Modell- und Algorithmusimplementierungen. Und es ist ein wirklich guter Anfang wenn Sie gerade erst in maschinelles Lernen einsteigen. So können Sie einige der einfacheren und einfacheren Modelle ausprobieren bevor Sie in die komplexeren eintauchen. Die lineare Regression verwendet also den Diabetes-Datensatz. Wie Sie hier sehen können, der mittlere absolute Fehler dafür ist etwa 41, was bedeutet, dass im Durchschnitt wann immer eine Vorhersage gemacht wird, Die Lösung liegt etwa 41 Punkte daneben. Das ist natürlich schlecht, aber in diesem Fall es ist nicht unbedingt wichtig denn der Zweck davon ist nur zu zeigen wie einfach es ist, ein lineares Regressionsmodell zu implementieren. Und Sie wissen natürlich, dass es da draußen Datensätze gibt wo die Regression viel besser abschneiden würde. Aber dieser Diabetes-Datensatz ist einer der komplexeren Regressionsdatensätze. Als nächstes gehen wir zur logistischen Regression über. Dies verwendet den Brustkrebs-Datensatz. Und wie Sie hier sehen können, liegt die Genauigkeit bei etwa 94 %, was ziemlich gut ist. Natürlich gibt es Klassifikatoren die deutlich besser abschneiden können, aber 94% ist definitiv kein schlechtes Genauigkeitsergebnis, vor allem für so ein einfaches und erklärbares maschinelles Lernmodell wie dieses. Damit ist diese Lektion abgeschlossen, Als nächstes werden wir Support-Vektor-Maschinen besprechen. Danke.

Anfänger Anbieter : Gabriel Popoola 4 Lektionen · 15m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Urdu, Chinese

Kursbeschreibung

In diesem Kapitel lernen Sie die Konzepte und Techniken des überwachten Lernens kennen. Es wird die lineare und logistische Regression behandelt. Sie lernen Support-Vektor-Maschinen und deren Einsatzmöglichkeiten kennen. In diesem Kapitel werden auch Entscheidungsbäume, Zufallswälder und Ensemble-Lernen behandelt, und es wird erklärt, wie sie alle miteinander zusammenhängen. Auch neuronale Netze werden in diesem Kapitel behandelt.

Lernziele:

Fähigkeiten:

Was Sie lernen werden

Wenden Sie lineare und logistische Regression als überwachte Lernmethoden an
Verwenden Sie Support Vector Machines und verstehen Sie ihre Anwendungen
Erstellen Sie Entscheidungsbäume und zufällige Wälder und verstehen Sie ihre Beziehung
Erkunden Sie Ensemble-Lernen und die Vorteile von Ensembles gegenüber einzelnen grundlegenden Klassifizierer
Verstehen Sie neuronale Netzwerke im überwachten maschinellen Lernen

Wichtige Erkenntnisse

Dieses Kapitel behandelt Konzepte und Techniken des überwachten Lernens, einschließlich linearer und logistischer Regression.
Support Vector Machines und ihre Anwendungen werden zusammen mit Entscheidungsbäumen und zufälligen Wäldern diskutiert.
Das Kapitel erklärt Entscheidungsbäume, zufällige Wälder und Ensemble-Lernen und wie diese alle miteinander verbunden sind.
Es hebt die Vorteile von Ensembles gegenüber einzelnen grundlegenden Klassifizierern hervor.
Neuronale Netzwerke werden ebenfalls im Rahmen des überwachten maschinellen Lernens diskutiert.

Häufig gestellte Fragen

Welche Techniken des überwachten maschinellen Lernens behandelt dieses Kapitel?

Es behandelt lineare und logistische Regression, Support Vector Machines, Entscheidungsbäume, zufällige Wälder, Ensemble-Lernen und neuronale Netzwerke.

Was werde ich über Ensembles in diesem Kurs lernen?

Sie werden über Ensemble-Lernen und die Vorteile von Ensembles gegenüber einzelnen grundlegenden Klassifizierern erfahren und verstehen, wie Entscheidungsbäume, zufällige Wälder und Ensemble-Lernen alle miteinander verbunden sind.

Auf welche Fähigkeiten konzentriert sich dieser Kurs?

Er konzentriert sich auf überwachtes Lernen, Algorithmen und Methoden des maschinellen Lernens, Data-Mining-Methoden und Entscheidungsbaum-Lernen.

Sind neuronale Netzwerke in diesem Kapitel enthalten?

Ja, neuronale Netzwerke werden in diesem Kapitel behandelt.