Machine Learning von A-Z: Lerne Python & R für Data Science! [Udemy Coupon Code]

"When you purchase something through one of the links on our site, we may earn an affiliate commission at no additional cost to you."

Limited offer hurry up

Machine Learning von A-Z: Lerne Python & R für Data Science! is a top-rated Udemy course taught by Jannis Seemann — with over 20662+ students enrolled since it launched.

Maschinelles Lernen komplett: Regression, Klassifizierung, Clustering, NLP, AI, KI, Deep Learning & Neuronale Netze

Don’t wait! This special offer won’t last long.

Click the button below to Get up to 100% OFF the regular price.

(The discount will be applied automatically at checkout — no code needed!)

Hurry — this discount on Machine Learning von A-Z: Lerne Python & R für Data Science! won’t be around forever. Take action now!

100% off Udemy coupon code

Why enroll in the Machine Learning von A-Z: Lerne Python & R für Data Science! Udemy Course?

  • Udemy gives you access to over 250,000 courses and 85,000 expert instructors worldwide.
  • Courses are led by experienced professionals dedicated to delivering a high-quality learning experience.
  • Many of Udemy’s most popular courses have hundreds of thousands of students enrolled.
  • Udemy offers online coupons, promo codes and voucher for the majority of its courses.

Machine Learning von A-Z: Lerne Python & R für Data Science! Udemy Promotion code

Course Sections
Einleitung
Einrichtung der Python-Umgebung
Einrichtung der R-Umgebung
Grundlagen Machine-Learning
Lineare Regression
Praxisprojekt: Lineare Regression
Train / Test
Lineare Regression mit mehreren Variablen
Modelle vergleichen: Bestimmtheitsmaß
Praxisprojekt: Bestimmtheitsmaß
Konzept: Arten von Daten und wie du sie verarbeiten kannst
Polynomiale Regression
Praxisprojekt: Polynomiale Regression
Exkurs R: Berechnungen vektorisieren in R (Matrizen, …)
Exkurs Python: Berechnungen vektorisieren (Numpy)
Stabilere Testergebnisse mit der K-Fold Cross-Validation
Praxisprojekt: K-Fold Cross-Validation
Statistische Grundlagen
Projekt: Statistische Grundlagen
Klassifizierung
Logistische Regression
Praxisprojekt: Brustkrebs vorhersagen
Klassifizierung mit mehreren Klassen
K-Nächste-Nachbar (KNN)
Praxisprojekt: Iris-Blütenblätter klassifizieren
Entscheidungsbäume
Praxisprojekt: Pilze klassifizieren
Random Forests
Das Bias/Varianz-Dilemma
Naiver Bayes
Praxisprojekt: Spam-Filter entwickeln
SVM (ohne Kernel)
SVM (mit Kernel)
Praxisprojekt: Ziffernerkennung programmieren
Wie optimierst du die Genauigkeit von Modellen?
Hyperparameter
Dimensionsreduktion mit der PCA
Statistische Grundlagen (Teil 2)
Daten einlesen
Komplettes Projekt: Wert von Gebrauchtwagen schätzen
Clustering: KMeans
Praxisbeispiel: Bilder mit KMeans komprimieren
Natural Language Processing
Reguläre Ausdrücke
Python: Natural Language Processing mit NLTK
R: Natural Language Processing
Bonus: Neuronale Netze in Python (Einführung)
Bonus: Neuronale Netze in Python (Regression)
Bonus: Neuronale Netze in Python (Mehrere Ausgänge)
Bonus: Neuronale Netze in Python (CNN)
Schluss
Course Description
Requirements
Du solltest zuvor schon einmal ein wenig programmiert habe
Es werden weder Kenntnisse in Python, noch in R vorrausgesetzt
Alle benötigen Tools (R, RStudio, Anaconda, …) installieren wir gemeinsam im Kurs

Jetzt neu: Zusätzlicher Bonus zum Thema Deep Learning (Neuronale Netze) mit Python, Tensorflow und Keras!
Dieser Kurs enthält über 300 Lektionen, Quizze, Praxisbeispiele, … – der einfachste Weg, wenn du Machine Learning lernen möchtest. 
Schritt für Schritt bringe ich dir maschinelles Lernen bei. In jedem Abschnitt lernst du ein neues Thema – zuerst die Idee / Intuition dahinter, und anschließend den Code sowohl in Python als auch in R.
Machine Learning macht erst dann richtig Spaß, wenn man echte Daten auswertet. Deswegen analysierst du in diesem Kurs besonders viele Praxisbeispiele:

Schätze den Wert von Gebrauchtwagen

Schreibe einen Spam-Filter

Diagnostiziere Brustkrebs

Schreibe ein Programm, was die Bedeutung von Adjektiven lernt

Lese Zahlen aus Bildern ein
Alle Codebeispiele werden dir beiden Programmiersprachen gezeigt – du kannst also wählen, ob du den Kurs in Python, R, oder in beiden Sprachen sehen möchtest!
Nach dem Kurs kannst du Machine Learning auch auf eigene Daten anwenden und eigenständig fundierte Entscheidungen treffen:
Du weißt, wann welche Modelle in Frage kommen könnten und wie du diese vergleichst. Du kannst analysieren, welche Spalten benötigt werden, ob zusätzliche Daten benötigt werden, und weißt, die die Daten vorab aufbereitet werden müssen. 
Dieser Kurs behandelt alle wichtigen Themen:

Regression

Klassifizierung

Clustering

Natural Language Processing

Bonus: Deep Learning (nur für Python, weil die Tools hier sehr viel ausgereifter sind)
Zu allen diesen Themen lernst du verschiedene Algorithmen kennen. Die Ideen dahinter werden einfach erklärt – keine trockenen, mathematischen Formeln, sondern anschauliche, grafische Erklärungen.
Wir verwenden hierbei gängige Tools (Sklearn, NLTK, caret, data.table, …), die auch für echte Machine-Learning-Projekte verwendet werden. 
Was lernst du alles?

Regression:

Lineare Regression

Polynomiale Regression

Klassifizierung:

Logistische Regression

Support Vector Machine (SVM) 

SVM mit Kernel (rbf, poly)

Naive Bayes

Entscheidungsbäume

Random Forest

Clustering

Natural Language Processing

Tokenizing

Stemming

POS-Tagging (welchen Typ hat ein Wort?)

Bonus: Deep Learning / Neuronale Netze (nur Python)

Aufbau eines Neuronalen Netzes

Was ist ein Neuron?

Tensorflow

Keras
Zudem lernst du auch, wie du Machine Learning anwendest:

Dimensionsreduktion mit der Principal Component Analysis (PCA)

Lese Daten ein, und bereite sie für dein Modell vor

Mit vollständigem Praxisbeispiel, Schritt für Schritt erklärt

Finde die besten Hyperparameter für dein Modell

“Parameter Tuning”

GridSearch (GridSearchCV in Python / tuneGrid in R)

Vergleiche Modelle miteinander:

Wie dich der Wert für die Genauigkeit eines Modells in die Irre führen kann, und was du dagegen tun kannst

K-Fold Cross-Validation

Bestimmtheitsmaß
Mein Ziel ist es, dir mit diesem Kurs den idealen Einsteig in die Welt des Machine Learnings zu bieten.