Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Kaggle ist die bekannteste Plattform für Data-Science-Wettbewerbe. An solchen Wettbewerben teilzunehmen ermöglicht dir, mit realen Datensätzen zu arbeiten, verschiedene Machine-Learning-Probleme zu erkunden, dich mit anderen zu messen und dabei unschätzbare Praxis zu sammeln. In diesem Kurs lernst du, wie du jede Data-Science-Competition angehst und strukturierst. Du wirst in der Lage sein, das richtige lokale Validierungsschema zu wählen und Overfitting zu vermeiden. Außerdem beherrschst du fortgeschrittenes Feature Engineering sowie Verfahren zum Ensembling von Modellen. All diese Techniken wendest du auf Datensätze aus Kaggle-Competitions an.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Ablauf von Kaggle-Competitions
In diesem ersten Kapitel lernst du den Ablauf einer Kaggle-Competition kennen. Du trainierst ein Modell und bereitest eine CSV-Datei für die Einreichung vor. Du lernst den Unterschied zwischen Public- und Private-Test-Splits kennen und wie du Overfitting verhinderst.
- Überblick über Wettbewerbe50 XP
- Train-Daten erkunden100 XP
- Testdaten erkunden100 XP
- Bereite deine erste Einreichung vor50 XP
- Bestimme den Problemtyp50 XP
- Ein einfaches Modell trainieren100 XP
- Eine Einreichung vorbereiten100 XP
- Public vs. Private Leaderboard50 XP
- Welches Modell overfittet?50 XP
- XGBoost-Modelle trainieren100 XP
- Overfitting mit XGBoost untersuchen100 XP
2
Ab in die Competition
Jetzt, da du die Grundlagen von Kaggle-Competitions kennst, lernst du, das konkrete Problem zu analysieren. Du übst EDA und legst korrekte lokale Validierungsstrategien fest. Außerdem lernst du Daten-Leakage kennen.
3
Feature Engineering
Du lernst nun verschiedene Typen von Features kennen. Du passt bestehende Features an und erstellst neue. Außerdem behandelst du fehlende Daten angemessen.
4
Modellierung
Zeit, alles zusammenzuführen und Modelle zu bauen! In diesem letzten Kapitel erstellst du ein Basismodell, stimmst anschließend Hyperparameter ab und verbesserst deine Ergebnisse mit Ensembles. Zum Schluss bekommst du noch ein paar Tipps und Tricks, damit du effizienter an Wettbewerben teilnimmst.
Eine Kaggle-Competition in Python gewinnen
Kurs
abgeschlossen
