Hier starten
  • Einleitung
  • Benötigte Materialien
  • Python lokal installieren (Windows)
  • Crashkurs Python
  • Crashkurs Python: Funktionen
  • Python Scripts ausführen
Statistik und Wahrscheikeitstheorie, Grundlagen Python
  • Arten von Daten
  • Mittelwert, Medianwert, Modalwert
  • Übung: Mittelwert, Medianwert, Modalwert
  • Übung: Standardabweichung und Varianz
  • Dichtefunktion
  • Wichtige Verteilungen
  • Perzentile und Momente
  • Crashkurs Matplotlib
  • Kovarianz und Korrelation
  • Bedingte Wahrscheinlichkeit
  • Lösung: Bedingte Wahrscheinlichkeit
  • Satz von Bayes
Grundlagen der Wahrscheinlichkeitsrechung
  • Lineare Regression
  • Polynomiale Regression
  • Multivariante Regressionsanalyse
  • Mehrschichtige Modelle
Machine Learning mit Python 3
  • Überwachtes vs. unüberwachtes, maschinelles Lernen
  • Train / Test
  • Bayes'sche Verfahren
  • Übung: Bayes'sche Verfahren
  • K-Means Clustering
  • Übung: K-Means Clustering
  • Entropie
  • Entscheidungsbäume
  • Installiere Graphviz
  • Übung: Entscheidungsbäume
  • Ensemble Learning
  • Support Vector Machines
  • Übung: Support Vector Machines
Empfehlungssystem
  • Benutzerbasiertes, kollaboratives Filtern
  • Artikelbasiertes, kollaboratives Filtern
  • Übung: Empfehlungssystem für Filme (benutzerbasiert), Teil 1
  • Übung: Empfehlungssystem für Filme (benutzerbasiert), Teil 2
  • Übung: Empfehlungssystem für Filme (artikelbasiert), Teil 1
  • Übung: Empfehlungssystem für Filme (artikelbasiert), Teil 2
Weitere Techniken und Konzepte
  • K-Nächste-Nachbarn: Konzept
  • Übung: Bewertung von Filmen vorhersagen (mit kNN)
  • Dimensionsreduktion, Hauptkomponentenanalyse
  • Übung: Dimensionsreduktion des Iris-Datensatzes
  • Data Warehousing: Konzept, ETL / ELT
  • Bestärkendes Lernen (Reinforcement Learning)
Arbeiten mit echten Daten
  • Das Bias / Varianz - Dilemma
  • Übung: Überanpassung vermeiden mit der k-fold cross-validation
  • Bereinigen von Daten, Normalisieren von Daten
  • Interaktiv: Bereinigen von Zugriffsdaten auf eine Webseite
  • Normalisieren von numerischen Daten
  • Interaktiv: Ausreißer entdecken
Apache Spark
  • Einführung in Apache Spark
  • Installation von Apache Spark (Windows)
  • Grundlagen: Apache Spark
  • Resilient Distributed DataSet
  • Einführung in mllib
  • Entscheidungsbäume mit Apache Spark
  • K-Means Clustering mit Apache Spark
  • Konzept: TF-IDF
  • Wikipedia durchsuchen mit TF-IDF und Apache Spark
Weitere Konzepte
  • A/B - Test
  • T-Test / P-Wert
  • Übung: T-Test / P-Wert
  • Wie lange wird ein Test ausgeführt?
  • Häufige Fehler
Schlussworte
  • Schlussworte
  • Bitte hinterlasse eine Bewertung!
  • Bonus