Kurs
Überwachtes Lernen mit scikit-learn
MittelSchwierigkeitsgrad
Aktualisiert 12/2025
PythonMachine Learning4 Std.15 Videos49 Übungen4,050 XP280K+Leistungsnachweis
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
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
Ein Team schulen?
Für Unternehmen ausprobierenKursbeschreibung
Voraussetzungen
Introduction to Statistics in Python1
Klassifikation
In diesem Kapitel werden Klassifikationsprobleme vorgestellt und du erfährst, wie du sie mit Techniken des überwachten Lernens lösen kannst. Du lernst, wie du Daten in Trainings- und Testmengen aufteilst, ein Modell anpasst, Vorhersagen erstellst und die Genauigkeit auswertest. Du entdeckst den Zusammenhang zwischen der Komplexität und Leistung von Modellen und wendest das Gelernte auf einen Beispieldatensatz an, um die mögliche Abwanderung von Kunden eines Telekommunikationsunternehmens vorherzusagen.
2
Regression
In diesem Kapitel lernst du die Vorgehensweise bei der Regression kennen und erstellst Modelle zur Vorhersage von Umsätzen anhand eines Datensatzes zu Werbeausgaben. Dabei wendest du die lineare Regression an und nutzt gängige Leistungskennzahlen wie das Bestimmtheitsmaß und den RMSE-Wert. Außerdem führst du eine k-fache Kreuzvalidierung durch und regularisierst Regressionsmodelle, um das Risiko einer Überanpassung zu verringern.
3
Feinabstimmung von Modellen
Nachdem du verschiedene Modelle trainiert hast, lernst du jetzt, wie du ihre Leistung bewerten kannst. Dazu werden in diesem Kapitel verschiedene Kennzahlen und ein Visualisierungsverfahren vorgestellt, um die Ergebnisse von Klassifikationsmodellen mit scikit-learn auszuwerten. Außerdem geht es um die Optimierung von Hyperparametern, um dadurch die Leistung von Klassifikations- und Regressionsmodellen weiter zu verbessern.
4
Vorverarbeitung und Pipelines
In diesem Kapitel lernst du, wie du fehlende Werte korrigierst, kategoriale Daten in numerische Werte umwandelst, Daten skalierst, mehrere Modelle für überwachtes Lernen gleichzeitig auswertest und Pipelines zur Workflow-Optimierung erstellst.
Überwachtes Lernen mit scikit-learn
Kurs abgeschlossen
Leistungsnachweis verdienen
Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzuTeile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden
Schließe dich 19 Millionen Lernenden an und starte Überwachtes Lernen mit scikit-learn heute!
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
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.