Introduction to Machine Learning

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?