Kontakt aufnehmen

Schulungsübersicht

Überwachtes Lernen: Klassifikation und Regression

  • Machine Learning in Python: Einführung in die scikit-learn-API
    • lineare und logistische Regression
    • Support Vector Machine (SVM)
    • neuronale Netze
    • Random Forest
  • Aufbau einer Ende-zu-Ende-Pipeline für überwachtes Lernen mit scikit-learn
    • Arbeiten mit Datendateien
    • Imputation fehlender Werte
    • Bearbeitung kategorialer Variablen
    • Visualisierung von Daten

Python-Frameworks für KI-Anwendungen:

  • TensorFlow, Theano, Caffe und Keras
  • KI im großen Maßstab mit Apache Spark: Mlib

Fortgeschrittene Architekturen neuronaler Netze

  • Konvolutionelle neuronale Netze für die Bildanalyse
  • Rekurrente neuronale Netze für zeitstrukturierte Daten
  • Long Short-Term Memory (LSTM)-Zellen

Unüberwachtes Lernen: Clustering, Anomalie-Erkennung

  • Implementierung der Hauptkomponentenanalyse (PCA) mit scikit-learn
  • Implementierung von Autoencodern in Keras

Praktische Beispiele für Probleme, die KI lösen kann (praktische Übungen mit Jupyter Notebooks), z. B.

  • Bildanalyse
  • Vorhersage komplexer Zeitreihen, wie z. B. von Aktienkürsen,
  • komplexes Mustererkennung
  • Naturalsprachverarbeitung (NLP)
  • Empfehlungssysteme

Verständnis der Grenzen von KI-Methoden: Fehlerquellen, Kosten und häufige Schwierigkeiten

  • Overfitting
  • Bias-Varianz-Kompromiss (Bias/Variance Trade-off)
  • Verzerrungen in beobachteten Daten
  • Neural Network Poisoning

Angewandtes Projekt (optional)

Voraussetzungen

Es sind keine speziellen Voraussetzungen für die Teilnahme an diesem Kurs erforderlich.

 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien