Der Kurs DeepLearning mit PyTorch und fastai für tabellarische Daten ermöglicht dir die den Einsatz von tabellarisch strukturierten Daten mit Machine und Deep Learning Modellen. Wir werden analysieren, was tabellarische Daten besonders macht und wie wir diese für unsere Machine Learning Modelle nutzen können.
Lernziele in diesem Kurs:
TabularPandas
Klasse in fastai Bescheid und kannst diese in deinen eigenen KI-Modellen einsetzen.Du möchtest selbst Machine Learning Modelle für Klassifizierungen anhand von tabellarischen Daten programmieren können?
Du wolltest schon immer wissen, wie automatische Produktempfehlungen in Webshops oder Streamingplattformen funktionieren und solche Recommender Systeme auch selbst implementieren?
Du möchtest selbst erkennen, warum mithilfe von deep learning (bzw. neuronalen Netzen) für beinahe 99% aller Machine Learning Problemstellungen state-of-art Modelle entwickelt werden können?
Wenn du nun zumindest eine der obigen Fragen mit ja beantwortet hast, dann empfehle ich dir, unseren Spezialkurs “DeepLearning mit PyTorch und fastai für tabellarische Daten” zu buchen.
In diesem Spezialkurs erfährst du alles Erforderliche, um selbständig auf Basis von PyTorch und fastai Machine Learning Modelle aus folgenden Bereichen zu implementieren:
Als Decisin Tree
wird im Rahmen von künstlicher Intelligenz und Machine Learning eine Datenstruktur bezeichnet, einen gerichteten, binären Baum darstellt. Sämtliche Eingangsdaten gehen vom Wurzelknoten aus durch den Entscheidungsbaum, bis sie einen Blattknoten erreicht haben.
Ein einzelner Decision Tree (Entscheidungsbaum) ist ein recht simpler Klassifizierer. Im Bereich der künstlichen Intelligenz geht es jedoch meist um die Analyse von komplexen Problemstellungen. Hierfür können viele einfach Decision Trees zu einem Entscheidungswald (Forest) zusammengefasst werden.
Um eine höchstmögliche Generalisierbarkeit des Modells sicherzustellen, wird eine Zufallskomponente hinzugefügt. Dies bezeichnen wir dann als Random Forest.
Wenn wir deep learning Techniken (bzw. neuronale Netze) für tabellarische Daten einsetzen wollen, so kommen wir nicht embedding Layern vorbei. Der Embedding Layer ist stark vereinfacht ausgedrückt ein Array, in dem unser Modell bestimmte Werte der Features nachschlagen kann. So wird die Performance unseres neuronalen Netzes enorm gesteigert.
Empfehlungssysteme (recommender systeme) generieren Empfehlungen auf Basis von ähnlichen Benutzern.
Amazon generiert etwa 35% des gesamten Umsatzes mithilfe solcher automatisiert generierten Produktempfehlungen.
Da bei solchen Systemen jedoch nicht nur die Vorlieben von zwei Benutzern miteinander verglichen werden, sondern eine Vielzahl an Benutzerprofilen analysiert werden, leitet sich auch der Name collaborative filtering ab.
Um das beste Lernergebnis aus diesem Spezialkurs ziehen zu können, solltest du bereits über Programmierkenntnisse in Python verfügen.
Die Themen künstliche Intelligenz, Machine Learning und Deep Learning Modelle sollten dir nicht ganz fremd sein.
Im Idealfall hast du schon mit PyTorch oder fastai deep learning Projekte entwickelt.
Wenn du deine Kenntnisse hier noch nachschärfen möchtest, dann möchten wir dich auf unsere Kursreihe “welcome2ki” verweisen. Dort lernst du alle notwendigen Basiskenntnisse, damit auch diesen Kurs erfolgreich absolvieren kannst.
Wir bieten diesen Kurs auf Udemy an. Hier kommst du zur Kursseite auf Udemy!
Der Kurs ist für dich lebenslang zugänglich. Du kannst den Kurs in individuellen Tempo absolvieren und auch nach erfolgreichem Abschluß jederzeit wieder auf die Unterlagen und Videos zugreifen.