Tutorial Maschinelles Lernen

Erfahre, wie Gradient Descent Modelle im Machine Learning optimiert. Entdecke Anwendungen in linearer und logistischer Regression, neuronalen Netzen und die Varianten Batch, Stochastic und Mini-Batch Gradient Descent.

Erfahre, wie dir Lernkurven helfen, deine Daten zu bewerten und optimale Lösungen zu finden.

Entdecke die zehn wichtigsten Neuerungen in TensorFlow 2.0 und lerne, wie du einige davon direkt umsetzt.

Lerne LIME kennen, wie es funktioniert und welche potenziellen Fallstricke es gibt.

Entdecke die kraftvolle Verbindung von Statistik und Machine Learning. Erfahre, wie statistische Techniken ML-Modelle tragen und datenbasierte Entscheidungen ermöglichen.

Lerne lineare Algebra mit Code und Visualisierung.

In diesem Tutorial entwickelst du ein grundlegendes Verständnis für SVMs und setzt sie anschließend in R um.

Lerne, Romane aus dem Web zu scrapen und Wortfrequenzverteilungen zu plotten. Du sammelst Praxiserfahrung mit den Python-Packages requests, BeautifulSoup und nltk.

Lerne, wie Vision Transformer (ViTs) Patch-Embeddings und Self-Attention nutzen, um CNNs in der modernen Bildklassifikation zu schlagen. Dieses ausführliche Tutorial erklärt die ViT-Architektur, enthält Schritt-für-Schritt-Python-Code und zeigt, wann du ViTs in realen Computer-Vision-Projekten einsetzen solltest.

Entdecke die Welt von Hugging Face – das Open-Source-Zentrum der KI-Community für Machine Learning und Natural Language Processing.

Boosting verbessert die Machine-Learning-Performance, indem Fehler schrittweise korrigiert und schwache Lerner zu starken Vorhersagemodellen kombiniert werden.

In diesem Tutorial lernst du, wie du generative Modelle trainierst, um mit TensorFlow 2.0 Musik zu komponieren.