Zusammenfassung
In diesem Modul haben wir einige wichtige neue Fachausdrücke behandelt. Fassen wir das Gelernte noch einmal zusammen:
Ziel des maschinellen Lernens ist es, Muster in Daten zu finden und diese Muster für Schätzungen zu nutzen.
Maschinelles Lernen unterscheidet sich von der normalen Softwareentwicklung, da anstelle der eigenen Intuition spezieller Code verwendet wird, um die Funktionsweise der Software zu verbessern.
Beim Lernprozess werden konzeptionell vier Komponenten verwendet:
- Daten, mit denen Sie lernen möchten.
- Ein Modell, das Schätzungen zu den Daten vornimmt.
- Das Ziel des Modells
- Ein Optimierer, das heißt zusätzlicher Code, der das Modell abhängig von seiner Leistung ändert.
Sie können sich Daten als Features und Bezeichnungen vorstellen. Die Merkmale entsprechen den potenziellen Modelleingaben, während die Bezeichnungen den Modellausgaben oder den gewünschten Modellausgaben entsprechen.
Pandas und Plotly sind leistungsstarke Tools zum Erkunden von Datasets in Python.
Wenn Sie über ein trainiertes Modell verfügen, können Sie es zur späteren Verwendung auf dem Datenträger speichern.