Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung
Dieser Abschnitt bietet eine allgemeine Einführung in die Frage, wann maschinelles Lernen eingesetzt werden sollte, was dabei zu beachten ist und was dies alles bedeutet, einschließlich der Vor- und Nachteile. Datentypen (strukturiert/unstrukturiert/statisch/gestreamt), Datenvalidität/-volumen, datengesteuerte vs. nutzergesteuerte Analysen, statistische Modelle vs. Modelle des maschinellen Lernens/ Herausforderungen des unüberwachten Lernens, Bias-Varianz-Kompromiss, Iteration/Evaluierung, Kreuzvalidierungsansätze, überwacht/unüberwacht/Verstärkung.
HAUPTTHEMEN.
1. Verständnis von Naive Bayes
- Basisbegriffe der bayesianischen Methoden
- Wahrscheinlichkeit
- Kombinierte Wahrscheinlichkeit
- Bedingte Wahrscheinlichkeit mit dem Satz von Bayes
- Der Naive-Bayes-Algorithmus
- Die naive Bayes-Klassifizierung
- Der Laplace-Schätzer
- Nutzung numerischer Merkmale bei Naive Bayes
2. Verständnis von Entscheidungsbäumen
- Trennen und Erobern
- Der C5.0-Entscheidungsbaumalgorithmus
- Auswahl der besten Teilung
- Beschränken des Entscheidungsbaums
3. Neuronale Netze verstehen
- Von biologischen zu künstlichen Neuronen
- Aktivierungsfunktionen
- Netztopologie
- Anzahl der Schichten
- Richtung des Informationsflusses
- Anzahl der Knoten in jeder Schicht
- Ausbildung von neuronalen Netzen mit Rückwärtsverbreitung
- Deep Learning
4. Verstehen von Support-Vektor-Maschinen
- Klassifizierung mit Hyperebenen
- Aufspüren des größten Abstands (Margin)
- Fall linear separabler Daten
- Fall nicht-linear separabler Daten
- Nutzung von Kernen für nicht-lineare Räume
5. Clustering verstehen
- Clustering als maschinelles Lerneprozess
- Der k-Means-Algorithmus für Clustering
- Nutzung von Distanzen zur Zuweisung und Aktualisierung von Clustern
- Auswahl der passenden Anzahl von Clustern
6. Leistungsmessung für die Klassifizierung
- Arbeiten mit Vorherschendaten in der Klassifikation
- Einen genauen Blick auf Verwirrungsmatrizen werfen
- Nutzung von Verwirrungsmatrizen zur Leistungsbeurteilung
- Jenseits der Genauigkeit – andere Leistungsmessungen
- Die Kappa-Statistik
- Sensitivität und Spezifität
- Precision und Recall
- Das F-Maß
- Visualisierung von Leistungsabwägungen
- ROC-Kurven
- Abschätzung zukünftiger Leistung
- Die Holdout-Methode
- Kreuzvalidierung
- Bootstrap Sampling
7. Tuning von Serienmodellen für bessere Leistung
- Nutzung von caret für automatisches Parameter-Tuning
- Erstellen eines einfachen getunten Modells
- Anpassung des Tuning-Prozesses
- Verschärfung der Modellleistung durch Meta-Lernen
- Verständnis von Ensembles
- Bagging
- Boosting
- Zufallswälder
- Ausbildung von Zufallswäldern
- Bewertung der Leistung von Zufallswäldern
KLEINERE THEMEN
8. Verständnis der Klassifizierung mit Hilfe der nächsten Nachbarn
- Der kNN-Algorithmus
- Berechnung von Distanzen
- Auswahl einer passenden k
- Vorbereitung der Daten für die Nutzung mit kNN
- Warum ist der kNN-Algorithmus faul?
9. Verständnis der Klassifizierungsregeln
- Trennen und erobern
- Der One Rule Algorithmus
- Der RIPPER-Algorithmus
- Regeln aus Entscheidungsbäumen
10. Verständnis der Regression
- Einfache lineare Regression
- Ordinäre kleinste Quadrate-Schätzung
- Korrelationen
- Mehrere lineare Regressionen
11. Verständnis von Regressions- und Modellbäumen
- Hinzufügen der Regression zu Bäumen
12. Verstehen von Assoziationsregeln
- Der Apriori-Algorithmus für die Lernprozesse von Assoziationsregeln
- Messung der Regelinteresse – Unterstützung und Zuverlässigkeit
- Aufbau einer Regelmenge mit dem Prinzip des Apriori
Extras
- Spark/PySpark/MLlib und Multi-Armed Bandits
Voraussetzungen
Python Kenntnisse
21 Stunden
Erfahrungsberichte (7)
Ich habe die Ausbildung sehr genossen und schätze die tiefgreifende Betrachtung des Themas Machine Learning. Ich schätze den Ausgewogenheit zwischen Theorie und praktischen Anwendungen, insbesondere die praxisnahen Codier-Sessions. Der Trainer bot fesselnde Beispiele und gut aufgebaute Übungen an, die das Lernerauerlebnis verbesserten. Der Kurs umfasste eine breite Palette von Themen, und Abhi zeigte durch seine klaren und leichten Antworten auf alle Fragen eine ausgezeichnete Expertise.
Valentina
Kurs - Machine Learning
Maschinelle Übersetzung
Ich schätze die Übung, die mir half, die Theorie zu verstehen und sie Schritt für Schritt anzuwenden. Gleichfalls war ich beeindruckt von der Art und Weise, wie der Trainer alles auf eine einfache und klare Weise erklärte. Es war leicht zu folgen, obwohl ich nicht sehr erfahren mit Python bin. Dennoch wollte ich die Gelegenheit nicht verpassen, etwas zu lernen, das mich wirklich interessiert. Ich schätze auch die Vielfalt der bereitgestellten Informationen und die Bereitschaft des Trainers, uns bei der Erklärung und dem Verständnis der Konzepte zu unterstützen. Nach diesem Kurs sind mir maschinelles Lernen und seine Konzepte viel klarer, und jetzt habe ich das Gefühl, eine Richtung und ein besseres Verständnis des Themas zu haben.
Cristina
Kurs - Machine Learning
Maschinelle Übersetzung
Am Ende der Ausbildung konnte ich die praktische Anwendung der vorgestellten Themen sehen.
Daniel
Kurs - Machine Learning
Maschinelle Übersetzung
Ich mochte den Rhythmus, ich mochte die Balance zwischen Theorie und Praxis, die behandelten Hauptthemen sowie die Art, wie der Trainer alles in Einklang brachte. Ich finde auch Ihre Ausbildungsinfrastruktur sehr gut, insbesondere die Arbeit mit VMs ist sehr praktikabel.
Andrei
Kurs - Machine Learning
Maschinelle Übersetzung
Es kurz und einfach halten. Schaffung von Intuition und visuellen Modellen rund um die Konzepte (Entscheidungsbaumdiagramm, lineare Gleichungen, manuelle Berechnung von y_pred, um zu beweisen, wie das Modell funktioniert).
Nicolae - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Es hat mir geholfen, mein Ziel, ML zu verstehen, zu erreichen. Großen Respekt an Pablo für die gute Einführung in dieses Thema, denn nach 3 Tagen Training wird klar, wie umfangreich dieses Thema ist. Ich habe auch die Idee der virtuellen Maschinen, die Sie zur Verfügung gestellt haben, sehr genossen, die eine sehr gute Latenzzeit hatten! So konnte jeder Kursteilnehmer in seinem eigenen Tempo experimentieren.
Silviu - DB Global Technology
Kurs - Machine Learning
Maschinelle Übersetzung
Der praktische Teil ist großartig, wenn die theoretischen Inhalte sich in etwas Praktisches verwandeln.
Lisa Fekade - Vodacom
Kurs - Machine Learning
Maschinelle Übersetzung
