Weiter zum Inhalt
StartseitePython

Kurs

Ensemble-Methoden in Python

ExperteSchwierigkeitsgrad
Aktualisiert 10/2025
In diesem Kurs entwickelst du fortgeschrittene Machine-Learning-Modelle mit Ensemble-Techniken wie Bagging, Boosting und Stacking.
Kurs kostenlos starten
PythonMachine Learning
4 Std.
15 Videos
52 Übungen
4,050 XP
12,861
Leistungsnachweis

Kostenloses Konto erstellen

Mit Google fortfahrenWeitere Optionen anzeigen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Group

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Setze deine Machine-Learning-Reise fort und tauche ein in die spannende Welt der Ensemble-Methoden! Diese gehören zu einer faszinierenden Klasse von Techniken, die mehrere einzelne Algorithmen kombinieren, um die Leistung zu steigern und komplexe Probleme in großem Maßstab in verschiedenen Branchen zu lösen. Mit Ensemble-Verfahren werden regelmäßig auch Online-ML-Wettbewerbe gewonnen! In diesem Kurs lernst du fortgeschrittene Ensemble-Techniken wie Bagging, Boosting und Stacking kennen. Du wendest sie auf realistische Datensätze an – mit modernen Python-ML-Bibliotheken wie scikit-learn, XGBoost, CatBoost und mlxtend.

Voraussetzungen

Linear Classifiers in PythonMachine Learning with Tree-Based Models in Python
1

Mehrere Modelle kombinieren

Fällt es dir schwer zu entscheiden, welches deiner Modelle am besten zu deinem Problem passt? Lass das – und nutze einfach alle! In diesem Kapitel lernst du, wie du mehrere Modelle mit "Voting" und "Averaging" zu einem kombinierst. Damit sagst du Bewertungen von Apps im Google Play Store voraus, ob ein Pokémon legendär ist oder welche Figuren in Game of Thrones sterben werden!
Kapitel starten
2

Bagging

Bagging ist die Ensemble-Methode hinter leistungsstarken Machine-Learning-Algorithmen wie Random Forests. In diesem Kapitel lernst du die Theorie hinter dieser Technik kennen und baust eigene Bagging-Modelle mit scikit-learn.
Kapitel starten
3

Boosting

Boosting ist eine Klasse von Ensemble-Lernalgorithmen, zu der preisgekrönte Modelle wie AdaBoost gehören. In diesem Kapitel lernst du dieses ausgezeichnete Modell kennen und nutzt es, um die Einnahmen preisgekrönter Filme vorherzusagen! Außerdem lernst du Gradient-Boosting-Algorithmen wie CatBoost und XGBoost kennen.
Kapitel starten
4

Stacking

Mach dich bereit zu sehen, was sich stapeln lässt! In diesem letzten Kapitel lernst du die Ensemble-Methode Stacking kennen. Du setzt sie mit scikit-learn sowie mit der mlxtend-Bibliothek um! Du wendest Stacking an, um die Essbarkeit nordamerikanischer Pilze vorherzusagen und kehrst mit diesem fortgeschrittenen Ansatz zu den Bewertungen von Google-Apps zurück.
Kapitel starten
Ensemble-Methoden in Python
Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

    Schließe dich 19 Millionen Lernenden an und starte Ensemble-Methoden in Python heute!

    Kostenloses Konto erstellen

    Mit Google fortfahrenWeitere Optionen anzeigen

    oder

    Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

    DataCamp gibt es auch für Mobilgeräte

    Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.

    Download on the App StoreGet it on Google Play