Grundlagen von Data Science für maschinelles Lernen
Microsoft Learn bietet mehrere interaktive Möglichkeiten, in das klassische maschinelle Lernen einzusteigen. Mit diesen Lernpfaden können Sie produktiv selbst arbeiten. Außerdem sind sie eine hervorragende Basis für den Einstieg in Deep Learning-Themen.
Von den grundlegendsten klassischen Machine Learning-Modellen bis hin zu explorativen Datenanalysen und Anpassungen von Architekturen werden Sie durch leicht verständliche konzeptuelle Inhalte und interaktive Jupyter Notebooks geführt, ohne Ihren Browser verlassen zu müssen.
Wählen Sie je nach Ihrem Kenntnisstand und Ihren Interessen Ihren eigenen Pfad aus.
✔ Option 1: Der vollständige Kurs: Grundlagen von Data Science für maschinelles Lernen
Dies ist die empfohlene Option für die meisten Menschen. Er verfügt über die gleichen Module wie die anderen beiden Lernpfade, bietet jedoch einen speziellen Ablauf, der das Erlernen der Konzepte verstärkt. Wenn Sie sich mit den zugrunde liegenden Konzepten und dem Erstellen von Modellen mit den gängigsten Machine Learning-Tools vertraut machen möchten, ist dieser Pfad für Sie geeignet. Dies ist auch der beste Weg, wenn Sie planen, über klassisches maschinelles Lernen hinauszugehen und eine Schulung in Deep Learning und neuronalen Netzwerken zu erhalten, die wir in diesem Pfad nur einführen.
✔ Sie befinden sich derzeit in diesem Pfad. Scrollen Sie nach unten, um zu beginnen.
Option 2: Der Lernpfad Grundlegendes zu Data Science für maschinelles Lernpfad
Wenn Sie verstehen möchten, wie maschinelles Lernen funktioniert, und keine umfassenden Kenntnisse in Mathematik haben, ist dieser Pfad für Sie geeignet. Es gibt keine Voraussetzungen hinsichtlich Ihrer Kenntnisse (außer einer lockeren Vertrautheit mit Programmierkonzepten). Der Lernpfad vermittelt Wissen mit Code, Metapher und visuellen Elemente, die Ihnen einen Aha-Moment geben. Der Pfad ist praxisorientiert, konzentriert sich jedoch mehr auf das Verstehen der Grundlagen und weniger auf die Leistungsfähigkeit der verfügbaren Tools und Bibliotheken.
Option 3: Lernpfad Machine Learning-Modelle erstellen
Wenn Sie bereits wissen, worum es beim maschinellen Lernen geht, oder wenn Sie über umfassende Kenntnisse in Mathematik verfügen, können Sie am besten direkt zum Lernpfad Machine Learning-Modelle erstellen springen. Diese Module vermitteln einige Konzepte des maschinellen Lernen, doch das Tempo ist hoch, damit sie die Funktionen von Tools wie scikit-learn, TensorFlow und PyTorch nutzen können. Dieser Lernpfad ist auch der beste für Sie, wenn Sie einfach nur Machine Learning-Beispiele für Produkte wie Azure ML oder Azure Databricks verstehen möchten.
Voraussetzungen
Keine
Erfolgscode
Möchten Sie einen Erfolgscode beantragen?
Module in diesem Lernpfad
Eine allgemeine Übersicht über maschinelles Lernen für Personen mit geringen oder gar keinen Kenntnissen in Informatik und Statistik. Sie erhalten eine Einführung in einige wichtige Konzepte, untersuchen Daten und durchlaufen interaktiv den Lebenszyklus beim maschinellen Lernen. Sie verwenden Python, um ein Machine Learning-Modell wie in der realen Welt zu trainieren, zu speichern und anzuwenden.
Überwachtes Lernen ist eine Form des maschinellen Lernens, bei der ein Algorithmus aus Beispieldaten lernt. Erfahren Sie fortschreitend, wie beim überwachten Lernen automatisch ein Modell generiert wird, das Vorhersagen über die reale Welt treffen kann. Außerdem erfahren Sie, wie diese Modelle getestet werden und welche Schwierigkeiten beim Trainieren auftreten können.
Die Leistungsfähigkeit von Machine Learning-Modellen basiert auf den Daten, die zum Trainieren verwendet werden. Mithilfe von Inhalten und Übungen erfahren Sie, wie Sie Ihre Daten verstehen, so codieren, dass der Computer sie richtig interpretieren kann, wie Sie Fehler bereinigen, und Sie erhalten Tipps zum Erstellen von Hochleistungsmodellen, die eine gute Leistung bieten.
Das Erkunden und Analysieren von Daten ist das Herzstück von Data Science. Data Scientists benötigen Kenntnisse in Programmiersprachen wie Python, um Daten zu untersuchen, zu visualisieren und zu bearbeiten.
Die Regression ist wahrscheinlich das am häufigsten verwendete Verfahren für maschinelles Lernen, das wissenschaftlichen Ermittlungen, der Geschäftsplanung und der Analyse von Aktienmärkten zugrunde liegt. In diesem Lernmaterial werden einige gängige Regressionsanalysen beschrieben – sowohl einfache als auch komplexere –, und Sie erhalten einen Einblick in die Bewertung der Modellleistung.
Wenn wir uns mit maschinellem Lernen befassen, konzentrieren wir uns häufig auf den Trainingsprozess. Eine kurze Vorbereitung auf diesen Prozess kann nicht nur den Lernvorgang beschleunigen und verbessern, sondern darüber hinaus auch das Vertrauen in die Leistungsfähigkeit unserer Modelle stärken, wenn wir mit unbekannten Daten konfrontiert werden.
Regression ist eine häufig verwendete Art des maschinellen Lernens für das Vorhersagen numerischer Werte.
Bei der Klassifizierung werden Elemente Kategorien zugewiesen. Sie können sich diesen Vorgang auch wie das automatisierte Treffen von Entscheidungen vorstellen. Sie erhalten hier eine Einführung in Klassifizierungsmodelle, die auf der logistischen Regression basieren. Diese Informationen können Ihnen als Einstieg in die Verwendung von komplexeren und interessanteren Klassifizierungsmethoden dienen.
Komplexere Modelle können zur Verbesserung ihrer Effizienz oft manuell angepasst werden. Hier erfahren Sie anhand von Übungen und erklärenden Inhalten, wie Sie durch Ändern der Architektur komplexerer Modelle effektivere Ergebnissen erzielen können.
Woher wissen wir, ob ein Modell gut oder schlecht darin ist, unsere Daten zu klassifizieren? Die Art und Weise, wie Computer die Modellleistung bewerten, ist manchmal schwierig nachzuvollziehen oder kann zu einer zu starken Vereinfachung des Verhaltens eines Modells in der realen Welt führen. Für die Erstellung zufriedenstellender Modelle müssen wir intuitive Möglichkeiten für deren Bewertung finden und verstehen, wie diese Metriken unsere Beurteilung verzerren können.
Grenzwertoptimierungskurven stellen eine effektive Möglichkeit dar, trainierte Klassifikationsmodelle zu bewerten und zu optimieren. Hier werden die Vorteile dieser Kurven durch Lerninhalte und praktische Übungen vermittelt.
Bei der Klassifizierung handelt es sich um eine Form des maschinellen Lernens, mit der Elemente in Klassen kategorisiert werden.
Beim Clustering handelt es sich um eine Form des maschinellen Lernens, die verwendet wird, um ähnliche Elemente in Clustern zu gruppieren.
Deep Learning ist eine weiterentwickelte Form von maschinellem Lernen, die das Lernen in einem menschlichen Gehirn mit Netzen von verbundenen Neuronen emuliert.