Kontakt aufnehmen

Schulungsübersicht

Überwachtes Lernen: Klassifikation und Regression

  • Machine Learning in Python: Einführung in die scikit-learn-API
    • Lineare und logistische Regression
    • Support Vector Machines
    • Neuronale Netze
    • Random Forest
  • Einrichten einer durchgängigen supervised learning Pipeline mit scikit-learn
    • Arbeit mit Datendateien
    • Imputation fehlender Werte
    • Umgang mit kategorialen Variablen
    • Datenvisualisierung

Python-Frameworks für KI-Anwendungen:

  • TensorFlow, Theano, Caffe und Keras
  • KI in großem Umfang mit Apache Spark: MLib

Fortschrittliche neuronale Netzwerk-Architekturen

  • Faltneuronale Netze (CNNs) für die Bildanalyse
  • Rekurrente Neuronale Netze (RNNs) für zeitlich strukturierte Daten
  • Long Short-Term Memory (LSTM) Zellen

Unüberwachtes Lernen: Clustering, Anomalieerkennung

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

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

  • Bildanalyse
  • Prognosen komplexer Finanzzeitreihen, wie Aktienkurse,
  • Komplexe Mustererkennung
  • Natural Language Processing (NLP)
  • Empfehlungssysteme

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

  • Overfitting (Überanpassung)
  • Bias-/Varianz-Trade-off
  • Verzerrungen in Beobachtungsdaten
  • Poisoning von Neuronalen Netzen

Angewandtes Projektarbeiten (optional)

Voraussetzungen

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

 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien