Maschinelles Lernen mit Python q Startseite 5. Künstliche Intelligenz 3. Maschinelles Lernen mit Python + 0. Jupyter-Notebook + 1. Grundlagen + 1. Aufgaben (Markdown-Latex-Python) + 2. Aufgaben (Jupyter) + 3. Aufgaben (Matplotlib) + 2. Exkurs: Jupyter-Notebook als CAS + 1. CAS-Programme + 3. Lokale Installation und Anwendungen + 1. gesunde Lebensmittel mit Entscheidungsbäumen + 1. Entscheidungsbäume + 2. Trainingsprozess + 3. Lineare Regression + 4. Iris-Datensatz + 3. Data Science - Empfehlungssysteme + 1. Projekt: Empfehlungssysteme + 1. Projektexpertise + 1. Bereichsexpertise/ Bereichswissen + 1. Nutzen von Empfehlungssystemen + 2. Inhaltsbasierte Empfehlungssysteme + 3. Kollaborative Empfehlungssysteme + 4. Hybride Empfehlungssysteme + 2. Datenexpertise + 1. Jupyter Notebooks Jupyter Notebooks Notebook öffnen Code ausführen Codezellen Markdown + 2. Daten sammeln - Variante I + 3. Daten beschreiben - Variante II + 4. Daten erkunden + 5. Daten visualisieren + 6. Data Dashboards + 2. Datenvorbereitung + 1. Datenbereingung und -formatierung + 2. Notwendigkeit der Datenumstrukturierung + 3. Datenumstrukturierung (inhaltsbasiert) + 4. Datenumstrukturierung (kollaborativ) + 3. Modellentwicklung + 1. Maschinelle Lernmodelle + 2. KNN-Klassifikation: Einführung + 1. Nächste-Nachbar-Klassifikation + 2. Wahl des Parameters k + 3. Abstandsmaß + 4. Trainings- und Anwendungsphase + 5. Erweiterung der Klassen + 6. Erweiterung der Attribute + 7. Wahl der Attribute + 3. KNN-Klassifikation für Empfehlungssysteme + 1. Inhaltsbasierte KNN-Klassifikation + 2. Kollaborative KNN-Klassifikation + 3. KNN-Klassifikation Implementierung + 4. Modellevaluierung + 1. Holdout Methode + 2. Modellbewertung + 3. Modellverbesserung + 5. Phänomen: Filterblase + 4. Exkurs: BigData - Bibliothek Pandas + 1. Grundlagen Pandas + 2. Auswertung Geodaten + 5. Deep-Learning - Ziffernerkennung + 1. Neuronen + 2. Perzeptron als künstliches Neuron + 1. Aufgaben (Notebook) + 3. Separationsgerade + 1. Aufgaben (unplugged) + 2. Aufgaben (Notebook) + 4. Fachkonzept Perzeptron + 5. Maschinelles Lernen: Delta-Regel nach Rosenblatt + 1. Aufgaben (Notebook) + 6. XOR-Problem + 1. Aufgaben (Notebook) + 7. Fachkonzept künstliche Neuronen + 8. Gradientenabstiegsverfahren + 1. Umsetzung in Python + 9. Künstliche Neuronale Netze + 1. Fachkonzept Forward-Propagation + 2. Forward-Propagation mit Python + 10. Ziffernerkennung + 1. MNIST-Datensatz + 2. Machine Learning + 3. Visualisierung + 1. Fully-Connected Network + 2. Fully-Connected Network (3D) + 3. Convolutional Network + 4. Convolutional Network (3D) + 11. Exkurs: Backward-Propagation + 1. Gradientenabstiegverfahren + 2. Backpropagation-Algorithmus