Einführung
In diesem Modul wird ein als überwachtes Lernen bezeichneter Prozess untersucht, bei dem Machine Learning-Modelle aus Beispielen lernen.
Mit Kenntnissen zum überwachten Lernen tauchen Sie dann tiefer in die einzelnen Komponenten des Lernprozesses ein und erfahren genau, wie Modelle durch diesen Prozess verbessert werden können. Anhand von Beispielen wird außerdem erläutert, warum das ordnungsgemäße Einrichten dieses Lernprozesses entscheidend ist, um ein leistungsstarkes Modell zu erhalten.
In diesem Modul verwenden wird der Prozess des überwachten Lernens am folgenden Szenario erklärt. Dieses Szenario ist ein Beispiel für die Anwendung dieser Konzepte beim Programmieren.
Ihre Familie leitet seit mehreren Generationen die älteste Rothirschfarm im US-Bundesstaat Washington, aber die Gesundheit Ihrer Herde hat im Lauf der letzten Jahrzehnte langsam immer weiter abgenommen. Es ist bekannt, dass die Rothirschrasse Ihrer Farm nicht mit Getreide gefüttert werden sollte, wenn die Nachttemperaturen im Durchschnitt über dem Gefrierpunkt (0 °C bzw. 32 °F) liegen. Aus diesem Grund haben Sie sich immer an den Kalender Ihres Großvaters gehalten und nach dem 31. Januar mit der Fütterung von Getreide aufgehört.
Sie haben vor Kurzem gelesen, dass der Klimawandel sich auch auf die Landwirtschaft auswirkt. Könnte diese Änderung die Verschlechterung der Gesundheit Ihrer Rothirsche in den letzten Jahren erklären? Sie nutzen einige historische Wetterdaten, um zu ermitteln, ob sich die lokalen Temperaturen seit den Zeiten Ihres Großvaters geändert haben und ob Sie Ihren Kalender eventuell anpassen müssen.
Voraussetzungen
Sie sollten Grundkenntnisse zu Eingaben, Ausgaben und Modellen besitzen.
Lernziele
In diesem Modul lernen Sie Folgendes:
- Definieren von überwachtem und unüberwachtem Lernen.
- Erkunden des Einflusses von Kostenfunktionen auf den Lernprozess.
- Optimieren von Modellen mit dem Gradientenverfahren.
- Experimentieren mit Lernraten, um ihre Auswirkungen auf das Training zu sehen.