In this chapter,  we'll define machine learning and its relation to data science and artificial intelligence.  Then, we'll unpack important machine learning jargon and end with the machine learning workflow for building models.

What is machine learning?

Generating movie recommendations

AI, data science, and machine learning walk into a bar...

What's true about machine learning?

Machine learning concepts

Machine learning lingo

Supervised vs unsupervised

Machine learning workflow

Steps for building a model

A true step

What is Machine Learning?

Now that you know the basics of machine learning, let's dive a little bit deeper. At the end of this chapter, you will know the different types of machine learning, as well as how to evaluate and improve your models.

Überwachtes Lernen

Aufwärmen

Aufgaben

Klassifizierung

Regression

Regression mit Klasse

Unüberwachtes Lernen

Überwacht

Unüberwacht

Wir brauchen keine Überwachung

Cluster erkunden

Bewertung der Leistung

Richtig

Falsch

Richtig oder falsch?

Land der Konfusion

Die Leistung verbessern

Optionen

Hyperparameter-Optimierung

Dimensionsreduktion

Ensemble-Methoden

Es ist ein langer Weg an die Spitze

Hyperparameter-Tuning erkunden

Machine Learning Models

In this chapter, we'll unpack deep learning beginning with neural networks. Next, we'll take a closer look at two common use-cases for deep learning: computer vision and natural language processing. We'll wrap up the course discussing the limits and dangers of machine learning.

Deep learning

What is deep learning?

Should I use deep learning?

Computer vision

Image data

The process

Natural Language Processing

Sentiment analysis

Classifying machine learning tasks

Bag of words

Limits of machine learning

To black box or not to black box?

Spotting bias in loan default prediction

Congratulations!

Deep Learning

Course Glossary: Understanding Machine Learning

Was steckt hinter dem Machine-Learning-Hype? In diesem nicht-technischen Kurs lernst du alles, was du dich bisher über Machine Learning nicht zu fragen getraut hast. Es ist kein Coding erforderlich. Praxisnahe Übungen helfen dir, das Fachchinesisch zu überwinden und zu verstehen, wie diese spannende Technologie alles antreibt – von selbstfahrenden Autos bis zu deinen persönlichen Amazon-Empfehlungen.

Wie funktioniert Machine Learning, wann kannst du es einsetzen, und worin unterscheidet es sich von KI? All das wird behandelt. Bau dir Fähigkeiten in diesem stark gefragten und einflussreichen Bereich auf und entdecke, warum Machine Learning für alle ist!

Die Videos enthalten Live-Transkripte, die du über „Show transcript" unten links im Video aufrufen kannst.

Das Kursglossar findest du rechts im Bereich „Ressourcen".

Um CPE-Credits zu erhalten, musst du den Kurs abschließen und im qualifizierten Assessment eine Punktzahl von 70 % erreichen. Du kannst zum Assessment navigieren, indem du rechts auf den CPE-Credits-Hinweis klickst.

<h2>Einführung in die Konzepte des maschinellen Lernens</h2> 
Was steckt hinter dem Hype um das maschinelle Lernen? In diesem nicht-technischen Kurs erfährst du alles, was du dich bisher nicht getraut hast, über maschinelles Lernen zu fragen. Es ist keine Codierung erforderlich.
<br><br>
Du wirst grundlegende Konzepte kennenlernen, um deine Reise in das maschinelle Lernen zu beginnen und dein Wissen durch praktische Übungen zu festigen. Dazu gehört, dass du ein Verständnis jenseits des Fachjargons entwickelst und lernst, wie diese aufregende Technologie alles von selbstfahrenden Autos bis hin zu deinen persönlichen Amazon-Einkaufsvorschlägen ermöglicht. 
<br><br>
<h2>Erforsche die Grundlagen des maschinellen Lernens</h2> 
Wie funktioniert maschinelles Lernen, wann kannst du es einsetzen und was ist der Unterschied zwischen KI und maschinellem Lernen? Dieser Kurs behandelt all diese Themen.
<br><br>
Du fängst damit an, herauszufinden, was maschinelles Lernen ist, seine grundlegende Definition zu erforschen und seine Beziehung zu Data Science und künstlicher Intelligenz zu untersuchen. Dann machst du dich mit dem Vokabular vertraut und beendest den Workflow des maschinellen Lernens zur Erstellung von Modellen.
<br><br>
Zum Abschluss des Kurses befassen wir uns mit Deep Learning. Du wirst zwei häufige Anwendungsfälle für Deep Learning erkunden: Computer Vision und Natural Language Processing (NLP) und die Grenzen und Gefahren des maschinellen Lernens kennenlernen.

Dieser zweistündige Einführungskurs in maschinelles Lernen behandelt wesentliche ML-Konzepte.

Machine Learning verstehen

In diesem Kurs lernst du das spannende Themenfeld des maschinellen Lernens kennen – und du benötigst dafür gar keine Programmierkenntnisse.

Grundlagen der KI

Datenthemen verstehen

Zur Bewertung der Klassifikationsleistung werden Konfusionsmatrizen verwendet.

Die Bewertung der Leistung eines unüberwachten Lernmodells ist schwieriger und hängt von den ursprünglichen Zielen ab.

Ein falsch-positiver Wert ist ein Wert, der als positiv vorhergesagt wurde, obwohl er tatsächlich negativ ist.

Die Genauigkeit ist immer ein informativer und nützlicher Indikator.

Ein falsch-negativer Wert ist ein Wert, der als positiv vorhergesagt wurde, obwohl er tatsächlich negativ ist.

Richtig oder falsch?

Interaktive praktische Übung