Machine Learning Tutorial

Modelle des maschinellen Lernens sind leistungsstark, aber schwer zu interpretieren. Die SHAP-Werte können dir jedoch dabei helfen, zu verstehen, wie Modellmerkmale die Vorhersagen beeinflussen.

In diesem Artikel erfährst du, wie und wann du die k-nearest neighbors-Klassifikation mit scikit-learn verwenden kannst. Der Schwerpunkt liegt auf Konzepten, Arbeitsabläufen und Beispielen. Wir behandeln auch die Abstandsmetriken und wie man den besten Wert für k mithilfe einer Kreuzvalidierung auswählt.

In diesem Artikel erfährst du, wie und wann du die Random Forest-Klassifizierung mit scikit-learn verwenden kannst. Der Schwerpunkt liegt auf Konzepten, Arbeitsabläufen und Beispielen. Wir behandeln auch die Verwendung der Konfusionsmatrix und die Bedeutung von Merkmalen.

Lerne in einem TensorFlow- und Keras-Tutorial Techniken, Anwendungen und Werkzeuge zur Datenerweiterung kennen.

Lerne die logistische Regression und ihre grundlegenden Eigenschaften kennen und erstelle mit scikit-learn in Python ein maschinelles Lernmodell für eine reale Anwendung.

In diesem Tutorium lernst du die Entscheidungsbaum-Klassifizierung, die Auswahl von Attributen und wie du einen Entscheidungsbaum-Klassifikator mit dem Python-Paket Scikit-learn erstellst und optimierst.

Entdecke die Leistungsfähigkeit von XGBoost, einem der beliebtesten Frameworks für maschinelles Lernen unter Datenwissenschaftlern, mit diesem Schritt-für-Schritt-Tutorial in Python.