Einführung in Machine Learning

Level:

Anfänger

Dauer:

3 Tage

Termine & Dauer

Verfügbare Termine für diesen Kurs einsehen!
Sollte für eine bestimmte Schulung, an der Sie interessiert sind, kein Datum verfügbar sein, kontaktieren Sie uns bitte.

Termine  >>

 

Gerne halten wir dieses Training auch bei Ihnen vor Ort oder als Online Training speziell für Ihr Unternehmen ab. Es besteht dabei auch die Möglichkeit, die Inhalte so zu adaptieren, dass diese genau zu Ihren Bedürfnissen passen.

Zum individuellen Training >>

 

Dieser Kurs dauert 3 Tage mit je 8 Stunden (vor Ort) oder 5 Stunden (online).
Der einzige Unterschied besteht darin, dass es in einem Online-Kurs weniger praktische Übungen geben wird. Wir werden Ihnen diese jedoch aushändigen, und Sie können sie immer noch selbst durchführen und bei Bedarf unsere Berater um Feedback oder Hilfe bitten.

Kursbeschreibung

Dieser Kurs richtet sich an technische Analysten oder mittlere Führungskräfte, die erste Schritte im Machine Learning machen möchten.

Inhalt des Kurses sind sowohl die theoretische Erklärung der Inhalte als auch praktische Aktivitäten. Ein besonderer Schwerpunkt liegt auf dem letzten Teil (60-65% des Kurses). Das Hauptziel besteht darin, dass die Teilnehmer mit „echten“ Problemen konfrontiert werden, die damit zusammenhängenden Herausforderungen erfahren und in diesem Prozess unter Anleitung des Dozenten zu einer Lösung kommen.

Zielgruppe

Analysten/Techincal Manager mit mindestens einem Jahr Programmiererfahrung (idealerweise auch Erfahrung in Python)

Überblick über den Kurs

Im folgenden finden Sie eine Zusammenstellung der Themen, die in diesem Kurs behandelt werden können. Die tatsächliche Themenauswahl richtet sich nach den Bedürfnissen und Interessen der Kursteilnehmer.

 

Was ist Machine Learning? Einführung und Hauptkonzepte

Über Python/Jupyter

Übersicht über die wichtigsten zu verwendenden Python-Bibliotheken

Sondierende Datenanalyse: Theorie

Sondierende Datenanalyse: Praxis

Supervised Learning: Einführung und Hauptkonzepte

  • Erläuterung des Trainingsprozesses: Traning/Validierung/Test
  • Regression vs. Klassifikation
  • Minimierung der Verlustfunktion. Beispiel-Algorithmen
  • Performance Evaluation
  • Schritte zur erfolgreichen Modellierung

Regression

Klassifikation

  • Klassifikations-Algorithmen
  • Ensemble-Algorithmen
  • Performance Evaluation

Unsupervised Learning

  • Unsupervised-Algorithmen
  • Ensemble-Algorithmen
  • Performance Evaluation

From Lab to Prod: Herausforderungen und typische Probleme

Die Bedeutung von distributed computing in Machine Learning

Einführung in Neuronale Netze

  • Definition
  • Hauptkonzepte
  • Activation Functions
  • NN training Prozess
  • Transfer-Lernen
  • Hyperparameter-Abstimmung

Deep Learning: Was ist das und wo wird es angewendet?

Machine Learning in meiner Organisation: Wie kann ML in meiner eigenen Organisation mit den Problemen, mit denen ich konfrontiert bin, umgesetzt werden?

 

Zur Kursanmeldung >>