Development Online Course by Udemy, On Sale Here
Lerne Decision Trees, Random Forests und Collaborative Filtering (Recommender Systems) Modelle zu programmieren
An excellent training about Data Science
DeepLearning mit PyTorch und fastai fr tabellarische Daten
Daten in Tabellenform kennen wir alle. Wahrscheinlich hat jeder von uns schon mit MSExcel und strukturierten Daten gearbeitet. Neben Bildern stellen Tabellen eine groe Quelle von Daten und damit ein perfektes Anwendungsgebiet fr knstlichen Intelligenz dar. In diesem Spezialkurs gehen wir vor allem auf die ThemenDecision TreesRandom ForestsDeep Learning (neuronale Netze)fr tabellarische Daten undCollaborative Filtering als Technik zur Entwicklung von Empfehlungssystemen (Recommender Systems) ein. Im Umfeld von knstlicher Intelligenz und Machine Learning definiert man einen Decision Tree als einen gerichteten, binren Baum, der aus Wurzelknoten, Knoten, Kanten und Blattknoten besteht. Decision Trees werden im Machine Learning zumeist fr Klassifizierungsaufgaben verwendet. Fgt man mehrere einzelne Decision Trees aneinander, so erhlt man einen Random Forest. Dabei umfasst das Anwendungsspektrum von Decision Trees eine Vielzahl an unterschiedlichen Gebieten: betriebswirtschaftliche Klassifizierungsaufgabenstatistische Anwendungmedizinische AnwendungenData MiningMachine Learning und knstliche IntelligenzWahrscheinlichkeitslehre und StochastikEin Decision Tree kann in der Regel nur sehr einfache, grundlegende Klassifizierungsaufgaben erledigen. Fgt man jedoch mehrere (oder auch eine Vielzahl) von Entscheidungsbumen zu einem Entscheidungswald (Random Forest)zusammen, so kann man mit diesem Konstrukt auch sehr komplexe Problemstellungen analysieren. Der Random Forest ist ein gngiges und aktuelles Konstrukt aus dem Bereich der knstlichen Intelligenz und Machine Learning. Der Random Forest ist also in der Lage, die simple Funktionsweise eines einzelnen Decision Trees zu einem komplexen Organismus zusammenzufhren. Vergleichbar ist der Random Forest also mit einem Ameisenvolk oder einem Bienenschwarm. Bei beiden verfgen die einzelnen Mitglieder nicht ber eine komplexe Entscheidungsvielfalt – in der Summe sind sie jedoch in der Lage, komplexe Strukturen zu entwickeln. Um eine mglichst hohe Generalisierbarkeit eines Entscheidungswaldes (Random Forest) und damit einen hohen Nutzwert des Modells im praktischen Einsatz zu erzielen, wird ein Zufallselement im Rahmen der Entscheidungsfindung eingefhrt. In diesem Kurs lernst du nicht nur das theoretische Prinzip und die Funktionsweise eines Decision Tree und eines Random Forest kennen, sondern bst auch den praktischen Einsatz und die Programmierung eines solchen Machine Learning Modells. Wir visualisieren unseren Decision Tree und Random Forest, um den Entscheidungsfindungspfad aufzuzeigen. So knnen wir unser Machine Learning Modell interpretieren. Die genaue Kenntnis ber das Modell ist dann die Voraussetzung, um mgliche Optimierungen und Verbesserungen durchfhren zu knnen. Du lernst in diesem Kurs, warum manche Features fr den Decision Tree wichtiger sind als andere. Was die (teilweise) Abhngigkeit zwischen Features bedeutet und welche Auswirkung sie auf das Prognoseergebnis des Modells hat genauso, wie die Korrelation zwischen einzelnen Features mithilfe der PCA(Principal Component Analysis) zu berechnen. Nachdem wir uns also intensiv mit den Entscheidungsbumen – einem Werkzeug aus dem klassischen Machine Learning Bereich – beschftigt haben, gehen wir zu den Mglichkeiten, die uns deep learning bietet ber. Wir zeigen, dass wir auch mit deep learning Werkzeugen (neuronale Netze) die gleichen Ergebnisse wie mit einem Random Forest erzielen knnen. Dies bestrkt unsere These, dass wir fr beinahe 99% aller Anwendungsflle aus dem Bereich knstlicher Intelligenz auf Werkzeug aus deep learning (im Wesentlichen neuronale Netze) zurckgreifen knnen. Das fastai deep learning Framework (das fr uns das PyTorch Framework erweitert), bietet mit seiner Klasse TabularLearner eine effiziente und einfache Untersttzung, um deep learning Projekte, die auf tabellarischen Daten basieren, mithilfe neuronaler Netze umzusetzen. In diesem Zusammenhang erarbeiten wir, was ein Embedding Layer ist und wie wir Embedding Layer selbst implementieren knnen. Auch beim Embedding Layer analysieren wir die Funktionsweise und interpretieren die Inhalte. Der zweite Teil des Kurses beschftigt sich mit der Generierung von Empfehlungen (Recommender Systeme). Wir lernen, was hinter collaborative filtering steckt und wie wir diese Technik zur Erstellung von Empfehlungen auf Basis von Benutzerbewertungen einsetzen knnen. Ein Recommender System versucht die Vorlieben von Benutzern zu prognostizieren, um ein “item” zu empfehlen. Was so ein “item” ist, hngt natrlich vom konkreten Einsatzgebiet aus. Dabei kann es sich um eine Empfehlung fr einen weiteren Artikel aus dem Webshop handeln oder um einen Film, der dem User wahrscheinlich gefallen wird. Amazon generiert etwa 35% des gesamten Umsatzes ber solche empfohlenen Produkte, die den Benutzern mithilfe von Recommender Systemen auf Basis von collaborative filtering angezeigt werden. Wenn zum Beispiel Benutzer A und Benutzer B die gleiche Art von Waschmaschine bevorzugen, so knnten auch die Prferenzen der beiden Benutzer in anderen Bereichen bereinsti
Udemy is the leading global marketplace for learning and instruction
By connecting students all over the world to the best instructors, Udemy is helping individuals reach their goals and pursue their dreams.
Study anytime, anywhere.
Reviews
There are no reviews yet.