Einführung in das End-to-End-Maschinelle Lernen

Tauch ein in die Welt des maschinellen Lernens und lerne in diesem umfassenden Kurs, wie du End-to-End-Modelle entwirfst, trainierst und einsetzt. Mit spannenden Beispielen aus der Praxis und praktischen Übungen lernst du, komplexe Datenprobleme anzugehen und leistungsstarke ML-Modelle zu erstellen. Am Ende dieses Kurses wirst du die Fähigkeiten haben, die du brauchst, um leistungsstarke Modelle zu erstellen, zu überwachen und zu pflegen, die dir nützliche Erkenntnisse liefern. Mach diesen umfassenden, praxisorientierten Kurs und werde zum echten ML-Profi!

Evaluierung und Verbesserung deines Modells

Lerne zuerst die Grundlagen der explorativen Datenanalyse (EDA) und der Datenaufbereitung kennen – du wirst deine Daten bereinigen und vorverarbeiten, damit sie für das Modelltraining bereit sind. Als Nächstes lernst du, wie du Feature Engineering und Feature Selection richtig einsetzt, um deine Modelle für echte Herausforderungen zu optimieren. Du lernst, wie du die Boruta-Bibliothek für die Feature Selection nutzt, Experimente mit MLFlow protokollierst und deine Modelle mit k-fold-Kreuzvalidierung feinabstimmst. Entdecke die Geheimnisse effektiver Fehlermetriken, finde Überanpassungen und mach deine Modelle startklar für den Erfolg.

Dein Modell bereitstellen und überwachen

Du wirst auch die Bedeutung von Feature Stores und Modellregistern in End-to-End-ML-Frameworks erkunden. Lerne, wie du dein Modell mit Docker und AWS einsetzen und seine Leistung im Laufe der Zeit beobachten kannst. Versteh das Konzept der Datenverschiebung und wie man sie mit statistischen Tests erkennen kann. Mach Feedback-Schleifen, Nachschulungen und Kennzeichnungsstrategien, um die Leistung deiner Modelle bei ständig wechselnden Daten aufrechtzuerhalten.

In diesem Kurs lernst du praktische Fähigkeiten, die du direkt in deiner Karriere als Datenwissenschaftler oder Machine-Learning-Ingenieur anwenden kannst. Du wirst in die Lage versetzt, Modelle zu entwerfen, zu implementieren und zu warten – wichtige Fähigkeiten, um die geschäftlichen Vorteile von Machine-Learning-Lösungen optimal zu nutzen.

	Actual positive	Actual negative
Predicted positive	30	10
Predicted negative	20	50

Confusion-Matrizen verstehen

Interaktive praktische Übung