Auf dieser Seite sind die Übungen im Crashkurs für maschinelles Lernen aufgeführt.
Für den Großteil der Programmierübungen wird das Kalifornien-Dataset verwendet.
Alle
Im März 2020 begann dieser Kurs, mit tf.keras codierte Programmierübungen zu verwenden. Wenn Sie lieber die älteren Estimators-Programmierübungen verwenden möchten, finden Sie diese auf GitHub.
Framing
Ab in ML
Verlust reduzieren
Erste Schritte mit TensorFlow
- Programmierübung: NumPy Ultraquick Tutorial
- Programmierübung: Pandas UltraQuick Tutorial
- Programmierübung: Lineare Regression mit synthetischen Daten
- Programmierübung: Lineare Regression mit einem realen Dataset
Trainings- und Test-Datasets
Validierung
Funktionsverknüpfungen
- Playground: Neu: Funktionsverknüpfungen, komplexere Funktionsverknüpfungen
- Wissenstest: Funktionsverknüpfungen
- Programmierübung: Repräsentation mit Feature Crosses
Regelmäßigkeit für Einfachheit
- Playground: Overcrossing?
- Wissenstest: L2-Standardisierung, L2-Standardisierung und zugehörige Funktionen
- Playground: L2-Standardisierung prüfen
Klassifizierung
- Ihr Wissen testen: Accuracy, Precision, Recall, Precision und Recall
- Wissenstest: ROC und AUC
- Programmierübung: Binärklassifizierung
Gleichmäßigkeit bei räumlicher Trennung
Einführung in neuronale Netze
- Playground: Ein erstes neuronales Netzwerk, neuronale Netzinitialisierung, neuronales Netz Spiral
- Programmierübung: Einführung in neuronale Netzwerke
neuronale Netze trainieren
Neurale Netze mit mehreren Klassen
Fairness
Statisches und dynamisches Training im Vergleich
Statische und dynamische Inferenz
Datenabhängigkeiten
Programmieren
Im März 2020 begann dieser Kurs, mit tf.keras codierte Programmierübungen zu verwenden. Wenn Sie lieber die älteren Estimators-Programmierübungen verwenden möchten, finden Sie diese auf GitHub.
Framing
Ab in ML
Verlust reduzieren
Erste Schritte mit TensorFlow
- Programmierübung: NumPy Ultraquick Tutorial
- Programmierübung: Pandas UltraQuick Tutorial
- Programmierübung: Lineare Regression mit synthetischen Daten
- Programmierübung: Lineare Regression mit einem realen Dataset
Trainings- und Test-Datasets
Validierung
Funktionsverknüpfungen
- Playground: Neu: Funktionsverknüpfungen, komplexere Funktionsverknüpfungen
- Wissenstest: Funktionsverknüpfungen
- Programmierübung: Repräsentation mit Feature Crosses
Regelmäßigkeit für Einfachheit
- Playground: Overcrossing?
- Wissenstest: L2-Standardisierung, L2-Standardisierung und zugehörige Funktionen
- Playground: L2-Standardisierung prüfen
Klassifizierung
- Ihr Wissen testen: Accuracy, Precision, Recall, Precision und Recall
- Wissenstest: ROC und AUC
- Programmierübung: Binärklassifizierung
Gleichmäßigkeit bei räumlicher Trennung
Einführung in neuronale Netze
- Playground: Ein erstes neuronales Netzwerk, neuronale Netzinitialisierung, neuronales Netz Spiral
- Programmierübung: Einführung in neuronale Netzwerke
neuronale Netze trainieren
Neurale Netze mit mehreren Klassen
Fairness
Statisches und dynamisches Training im Vergleich
Statische und dynamische Inferenz
Datenabhängigkeiten
Wissenstest
Im März 2020 begann dieser Kurs, mit tf.keras codierte Programmierübungen zu verwenden. Wenn Sie lieber die älteren Estimators-Programmierübungen verwenden möchten, finden Sie diese auf GitHub.
Framing
Ab in ML
Verlust reduzieren
Erste Schritte mit TensorFlow
- Programmierübung: NumPy Ultraquick Tutorial
- Programmierübung: Pandas UltraQuick Tutorial
- Programmierübung: Lineare Regression mit synthetischen Daten
- Programmierübung: Lineare Regression mit einem realen Dataset
Trainings- und Test-Datasets
Validierung
Funktionsverknüpfungen
- Playground: Neu: Funktionsverknüpfungen, komplexere Funktionsverknüpfungen
- Wissenstest: Funktionsverknüpfungen
- Programmierübung: Repräsentation mit Feature Crosses
Regelmäßigkeit für Einfachheit
- Playground: Overcrossing?
- Wissenstest: L2-Standardisierung, L2-Standardisierung und zugehörige Funktionen
- Playground: L2-Standardisierung prüfen
Klassifizierung
- Ihr Wissen testen: Accuracy, Precision, Recall, Precision und Recall
- Wissenstest: ROC und AUC
- Programmierübung: Binärklassifizierung
Gleichmäßigkeit bei räumlicher Trennung
Einführung in neuronale Netze
- Playground: Ein erstes neuronales Netzwerk, neuronale Netzinitialisierung, neuronales Netz Spiral
- Programmierübung: Einführung in neuronale Netzwerke
neuronale Netze trainieren
Neurale Netze mit mehreren Klassen
Fairness
Statisches und dynamisches Training im Vergleich
Statische und dynamische Inferenz
Datenabhängigkeiten
Spielplatz
Im März 2020 begann dieser Kurs, mit tf.keras codierte Programmierübungen zu verwenden. Wenn Sie lieber die älteren Estimators-Programmierübungen verwenden möchten, finden Sie diese auf GitHub.
Framing
Ab in ML
Verlust reduzieren
Erste Schritte mit TensorFlow
- Programmierübung: NumPy Ultraquick Tutorial
- Programmierübung: Pandas UltraQuick Tutorial
- Programmierübung: Lineare Regression mit synthetischen Daten
- Programmierübung: Lineare Regression mit einem realen Dataset
Trainings- und Test-Datasets
Validierung
Funktionsverknüpfungen
- Playground: Neu: Funktionsverknüpfungen, komplexere Funktionsverknüpfungen
- Wissenstest: Funktionsverknüpfungen
- Programmierübung: Repräsentation mit Feature Crosses
Regelmäßigkeit für Einfachheit
- Playground: Overcrossing?
- Wissenstest: L2-Standardisierung, L2-Standardisierung und zugehörige Funktionen
- Playground: L2-Standardisierung prüfen
Klassifizierung
- Ihr Wissen testen: Accuracy, Precision, Recall, Precision und Recall
- Wissenstest: ROC und AUC
- Programmierübung: Binärklassifizierung
Gleichmäßigkeit bei räumlicher Trennung
Einführung in neuronale Netze
- Playground: Ein erstes neuronales Netzwerk, neuronale Netzinitialisierung, neuronales Netz Spiral
- Programmierübung: Einführung in neuronale Netzwerke