Kapitel 1: Einleitung
  • Einleitung in den Kurs
  • Was ist Python und Anaconda?
  • Installation: Python und Anaconda
  • Windows: Anaconda Installation
  • Linux: Anaconda Installation
  • Mac: Anaconda Installation
  • Handbuch des Kurses
  • Kursmaterialien
  • Einrichtung von Anaconda und der Pakete
  • Jupyter Notebook im Browser einrichten
  • Optional: Jupyter Notebook in VS Code
Kapitel 2: Python Programmierung
  • Variablen und Logik in Python
  • Schleifen in Python
  • Variablen, Logik und Schleifen
  • Listen in Python
  • Listen Iteration, enumerate und zip
  • Dictionaries in Python
  • Funktionen in Python
  • Klassen in Python
  • Listen, Dictionaries und Funktionen
  • Numpy
  • Matplotlib
  • Module
  • Vorwort zu den Programmierübungen
  • Wissenschaftliches Arbeiten mit Python
  • Musterlösung: Wissenschaftliches Arbeiten mit Python
  • Listen: Index und Slices
  • Weiteres zu Numpy
  • f-Strings und Type Annotations
  • Kapitel 2: Zusatzinformationen
Kapitel 3 - 1: Machine Learning Grundlagen
  • Was ist das Machine Learning?
  • Machine Learning Grundbegriffe
  • Intuition für die Grundbegriffe
  • Machine Learning Grundbegriffe
Kapitel 3 - 2: K-Nearest Neighbor
  • K-Nearest Neighbor Intuition
  • Vorbereitung: Das fiktive Dataset erkunden
  • K-Nearest Neighbor Algorithmus Teil 1
  • K-Nearest Neighbor Algorithmus Teil 2
  • K-Nearest Neighbor Algorithmus Teil 3
  • K-Nearest Neighbor Algorithmus Teil 4
  • K-Nearest Neighbor
Kapitel 3 - 3: K-Neighrest-Neighbor (Sklearn)
  • Materialien zu Sklearn
  • Scikit-learn (Sklearn)
  • Vorbereitung: Iris Dataset laden und erkunden
  • K-Nearest Neighbour in Sklearn - Teil 1
  • K-Nearest Neighbour in Sklearn - Teil 2
  • K-Nearest Neighbour in Sklearn - Teil 3
  • K-Nearest Neighbour Visualisierung
  • Optimierung des K-Nearest Neighbor für das Iris Dataset
  • Musterlösung: Optimierung des K-Nearest Neighbor für das Iris Dataset
  • K-Nearest Neighbor Zusammenfassung
  • Kapitel 3: Zusatzinformationen
Kapitel 4: Mathematische Grundlagen
  • Mathematische Symbole
  • Analysis Basics
  • Lineare Algebra Basics
  • Statistik Basics
  • Mathematische Grundlagen
  • Kapitel 4: Zusatzinformationen
Kapitel 5 - 1: Lineare Regression
  • Was ist das Training und Testing
  • Unterschied der Klassifikation und Regression
  • Einfache Lineare Regression Intuition
  • Vorbereitung: Boston Dataset laden und erkunden
  • Einfache Lineare Regression Programmieren - Teil 1
  • Einfache Lineare Regression Programmieren - Teil 2
  • Lineare Regression Programmieren
  • Lineare Regression Visualisierung
  • Einfache Lineare Regression
  • Lineare Regression Sklearn
  • Optimierung der Linearen Regression mit dem Boston Dataset
  • Musterlösung: Optimierung der Linearen Regression mit dem Boston Dataset
  • Lineare Regression Zusammenfassung
Kapitel 5 - 2: Polynomielle Regression
  • Polynomiale Regression Intuition
  • Polynomiale Regression Sklearn Dokumentation
  • Polynomiale Regression Anwenden (Sklearn)
  • Polynomiale Regression Visualisieren (Sklearn)
  • Polynomiale Regression
  • Polynomiale Regression Zusammenfassung
  • Kapitel 5: Zusatzinformationen
Kapitel 6 - 1: Fehlerfunktionen
  • Fehlerfunktion: Mean Squared Error
  • Fehlerfunktion: Mean Absolute Error
Kapitel 6 - 2: Over- und Underfitting
  • Over- und Underfitting
  • Over- und Underfitting bei der Regression
  • Over- und Underfitting bei der Klassifikation
  • Over- und Unterditting
Kapitel 6 - 3: Regression mit Regularisierung
  • Regularisierung: Ridge Regression
  • Regularisierung: Lasso Regression
  • Regularisierung
Kapitel 6 - 4: Begriffe des Machine Learnings
  • Hypothesen und Hyperparameter