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 in angewandtes maschinelles Lernen
- Statistisches Lernen vs. Maschinelles Lernen
- Iteration und Evaluation
- Bias-Variance-Trade-off
- Überwachtes vs. Unüberwachtes Lernen
- Probleme, die mit maschinellem Lernen gelöst werden können
- Trainings-Validierungs-Tests – ML-Arbeitsablauf zur Vermeidung von Overfitting
- Arbeitsablauf des maschinellen Lernens
- Algorithmen des maschinellen Lernens
- Wahl eines geeigneten Algorithmus für das Problem
Algorithmusbewertung
-
Bewertung numerischer Vorhersagen
- Genauigkeitsmaße: ME, MSE, RMSE, MAPE
- Parameter- und Vorhersagestabilität
-
Bewertung von Klassifikationsalgorithmen
- Genauigkeit und deren Probleme
- Verwirrungsmatrix (Confusion Matrix)
- Problem unbalancierter Klassen
-
Visualisierung der Modellleistung
- Profitkurve
- ROC-Kurve
- Lift-Kurve
- Modellauswahl
- Modellanpassung – Gitter-Suchstrategien (Grid Search)
Daten vorbereiten für das Modellieren
- Datenspeicherung und -import
- Daten verstehen – grundlegende Explorationen
- Datenmanipulation mit der pandas-Bibliothek
- Datentransformationen – Data Wrangling
- Explorative Analyse
- Fehlende Beobachtungen – Erkennung und Lösungsstrategien
- Ausreißer – Erkennung und Strategien
- Standardisierung, Normalisierung, Binarisierung
- Kategorische Datenkodierung
Maschinelle Lernalgorithmen für die Ausreißererkennung
-
Überwachte Algorithmen
- KNN (k-nearest neighbors)
- Ensemble Gradient Boosting
- SVM (Support Vector Machines)
-
Unüberwachte Algorithmen
- Distanzbasierte Methoden
- Dichte-basierte Methoden
- Wahrscheinlichkeitsbasierte Methoden
- Modellbasierte Methoden
Verstehen des Deep Learnings
- Überblick über die grundlegenden Konzepte des Deep Learnings
- Unterschied zwischen maschinellem Lernen und Deep Learning
- Überblick über Anwendungen des Deep Learnings
Überblick über neuronale Netze
- Was sind neuronale Netze?
- Neuronale Netze vs. Regressionsmodelle
- Verstehen der mathematischen Grundlagen und Lernmechanismen
- Erstellen eines künstlichen neuronalen Netzes
- Verstehen von Neuronalknoten und -verbindungen
- Arbeiten mit Neuronen, Schichten und Eingangs- und Ausgangsdaten
- Verstehen von Single Layer Perceptrons (Einschichtigen Wahrnehmern)
- Unterschiede zwischen überwachtem und unüberwachtem Lernen
- Lernen von Feedforward- und Feedback-Neuronalen Netzen
- Verstehen von Forward Propagation (Vorwärtspropagation) und Back Propagation (Rückwärtspropagation)
Erstellen einfacher Deep-Learning-Modelle mit Keras
- Erstellen eines Keras-Modells
- Verstehen Ihrer Daten
- Spezifizieren Ihres Deep-Learning-Modells
- Kompilieren Ihres Modells
- Anpassen Ihres Modells
- Arbeiten mit Ihren Klassifikationsdaten
- Arbeiten mit Klassifikationsmodellen
- Verwenden Ihrer Modelle
Arbeiten mit TensorFlow für Deep Learning
-
Vorbereitung der Daten
- Herunterladen der Daten
- Vorbereiten der Trainingsdaten
- Vorbereiten der Testdaten
- Skalieren von Eingängen
- Verwenden von Placeholders und Variablen
- Spezifizieren der Netzarchitektur
- Verwenden der Kostenfunktion (Cost Function)
- Verwenden des Optimierers (Optimizer)
- Verwenden von Initialisierungsmethoden
- Anpassen des neuronalen Netzes
-
Erstellen des Graphen (Graph)
- Inferenz (Inference)
- Verlust (Loss)
- Training
-
Trainieren des Modells
- Der Graph (Graph)
- Die Sitzung (Session)
- Trainingsloop (Train Loop)
-
Evaluieren des Modells
- Erstellen des Eval-Graphen
- Evaluieren mit Eval-Ausgabe
- Trainieren von Modellen im großen Maßstab
- Visualisieren und evaluieren von Modellen mit TensorBoard
Anwendung des Deep Learnings in der Ausreißererkennung
-
Autoencoder (Selbstkodierer)
- Encoder-Decoder-Architektur
- Rekonstruktionsverlust (Reconstruction Loss)
-
Variational Autoencoder (Variabler Selbstkodierer)
- Variationsinferenz
-
Generative Adversarial Network (Generatives Widerstreitendes Netz)
- Generator-Diskriminator-Architektur
- Ansätze zur AN mit GAN
Ensemble-Frameworks
- Kombinieren von Ergebnissen verschiedener Methoden
- Bootstrap-Aggregierung (Bagging)
- Durchschnittsbildung des Ausreißerscores
Voraussetzungen
- Erfahrung mit Python-Programmierung
- Grundkenntnisse in Statistik und mathematischen Konzepten
Zielgruppe
- Entwickler
- Datenwissenschaftler
28 Stunden
Erfahrungsberichte (5)
Die Schulung bot einen interessanten Überblick über Deep-Learning-Modelle und verwandte Methoden. Das Thema war für mich völlig neu, aber nun habe ich das Gefühl, tatsächlich eine Vorstellung davon zu haben, was KI und ML beinhalten können, woraus diese Begriffe bestehen und wie sie vorteilhaft eingesetzt werden können. Im Allgemeinen mochte ich den Ansatz, mit dem statistischen Hintergrund und den grundlegenden Lernmodellen, wie der linearen Regression, zu beginnen, wobei die dazwischen liegenden Übungen besonders betont wurden.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Anna fragte immer, ob es Fragen gibt, und versuchte stets, uns durch die Aufstellung von Fragen aktiv zu beteiligen. Dadurch waren wir alle sehr in das Training eingebunden.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Mir gefiel, wie es mit den Praktiken vermischt wurde.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Die umfangreiche Erfahrung und Kenntnisse des Trainers
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Die VM ist eine gute Idee
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
