Machine Learning Tutorial

Schluss mit verschwindenden Gradienten und verzerrten Modellen. Lerne, wie du Daten mit Min-Max und Z-Score in Scikit-learn normalisieren kannst, um Machine-Learning-Modelle zu verbessern.

Lerne, wie du DBSCAN einsetzt, versteh seine wichtigsten Parameter und finde heraus, wann du seine einzigartigen Stärken in deinen Data-Science-Projekten nutzen kannst.

In diesem Tutorial lernst du die Klassifizierung mit Entscheidungsbäumen, Maßnahmen zur Attributauswahl und wie man mit dem Python-Paket Scikit-learn einen Entscheidungsbaum-Klassifikator erstellt und optimiert.

Genauigkeit reicht nicht aus. Lerne den Unterschied zwischen Präzision und Recall, verstehe den Kompromiss und wähle die richtige Metrik für dein Modell.

Lerne, was Kostenfunktionen sind und wie und wann man sie einsetzt. Enthält praktische Beispiele.

Lerne, wie du Modelle ins ONNX-Format umwandelst, sie mit Quantisierung optimierst und auf jeder Plattform einsetzt – von Edge-Geräten bis hin zu Cloud-Servern – ohne an einen bestimmten Anbieter gebunden zu sein.

Verstehe, wie der F1-Score die Modellleistung durch die Kombination von Präzision und Recall bewertet. Lerne seine Verwendung in der binären und Mehrklassenklassifizierung anhand von Python-Beispielen kennen.

Erfahre, wie UMAP die Visualisierung hochdimensionaler Daten vereinfacht, mit detaillierten Erklärungen, praktischen Anwendungsfällen und Vergleichen zu anderen Methoden der Dimensionsreduktion, wie t-SNE und PCA.

Dieser Leitfaden erklärt die mathematische Idee hinter der tanh-Funktion, wie sie im Vergleich zu Sigmoid und ReLU ist, ihre Vorteile und Nachteile und wie man sie effektiv im Deep Learning einsetzt.

Dieser Leitfaden erklärt die mathematischen Eigenschaften von Softplus, seine Vorteile und Nachteile, die Implementierung in PyTorch und wann man von ReLU wechseln sollte.

Feed-Forward-Neuralnetzwerke (FFNNs) sind die Basis für Deep Learning und werden in der Bilderkennung, in Transformatoren und in Empfehlungssystemen genutzt. Dieses komplette FFNN-Tutorial erklärt ihre Architektur, die Unterschiede zu MLPs, Aktivierungen, Backpropagation, Beispiele aus der Praxis und die PyTorch-Implementierung.

Entdecke KL-Divergence, eins der gängigsten und wichtigsten Tools im Bereich des maschinellen Lernens.