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
Machine Learning Einführung
- Arten der maschinellen Lernverfahren – überwachtes vs. unüberwachtes Lernen
- Von statistischem Lernen zu maschinellem Lernen
- Der Datenmining-Prozess: Geschäftsverständnis, Datenvorbereitung, Modellierung, Implementierung
- Auswahl des richtigen Algorithmus für die Aufgabe
- Übertreibung und der Bias-Varianz-Kompromiss
Python und ML-Bibliotheken-Übersicht
- Warum Programmiersprachen für ML verwenden
- Auswahl zwischen R und Python
- Kurze Einführung in Python und Jupyter Notebooks
- Python-Bibliotheken: pandas, NumPy, scikit-learn, matplotlib, seaborn
Testen und Evaluieren von ML-Algorithmen
- Allgemeinheit, Übertreibung und Modellvalidierung
- Evaluierungsstrategien: Holdout, Kreuzvalidierung, Bootstrap
- Metriken für Regression: ME, MSE, RMSE, MAPE
- Metriken für Klassifikation: Genauigkeit, Verwirrungsmatrix, unbalancierte Klassen
- Visualisierung der Modellleistung: Profitkurve, ROC-Kurve, Liftkurve
- Modellauswahl und Grid Search zur Optimierung
Datenvorbereitung
- Datenimport und -speicherung in Python
- Explorative Analyse und Zusammenfassungsstatistiken
- Umgang mit fehlenden Werten und Ausreißern
- Standardisierung, Normalisierung und Transformation
- Kodierung qualitativer Daten und Datenaufbereitung mit pandas
Klassifikationsalgorithmen
- Binarische vs. mehrklassige Klassifizierung
- Logistische Regression und Diskriminanzfunktionen
- Naïve Bayes, k-Nächste-Nachbarn
- Entscheidungsbaum: CART, Random Forests, Bagging, Boosting, XGBoost
- Support Vector Machines und Kerne
- Kollektives Lernen-Techniken
Regression und numerische Vorhersage
- Least Squares und Variablenselektion
- Regularisierungsmethoden: L1, L2
- Polynomiale Regression und nichtlineare Modelle
- Regressionsbäume und Splines
Neural Networks
- Einführung in neuronale Netze und Deep Learning
- Aktivierungsfunktionen, Schichten und Rückwärtspropagation
- Mehrschichtige Perzeptronen (MLP)
- Verwendung von TensorFlow oder PyTorch für grundlegende neuronale Netz-Modellierung
- Neuronale Netze für Klassifikation und Regression
Vorhersage der Verkäufe Forecasting und Predictive Analytics
- Zeitreihen vs. regressive Vorhersage
- Umgang mit saisonalen und trendbasierten Daten
- Erstellen eines Verkaufsprognosemodells unter Verwendung von ML-Techniken
- Abschätzung der Prognosegenauigkeit und -unsicherheit
- Business Interpretation und Kommunikation der Ergebnisse
Unsupervised Learning
- Klusteringtechniken: k-Means, k-Medoids, hierarchisches Clustering, SOMs
- Dimensionsreduktion: PCA, Faktorenanalyse, SVD
- Mehrdimensionale Skalierung
Text Mining
- Vorverarbeitung und Tokenisierung von Texten
- Bag-of-Words, Stemming und Lemmatisierung
- Sentimentanalyse und Worthäufigkeit
- Visualisierung von Textdaten mit Word Clouds
Empfehlungssysteme
- Nutzerbasierte und artikellistebasierte Collaborative Filtering
- Gestaltung und Bewertung von Empfehlungsengines
Mustererkennung in Verkaufsdaten (Association Pattern Mining)
- Häufige Itemsets und Apriori-Algorithmus
- Market-Basket-Analyse und Lift-Ratio
Auffindung von Ausreißern
- Analyse extremaler Werte
- Distanz-basierte und Dichtebasierte Methoden
- Auffinden von Ausreißern in hochdimensionalen Daten
Machine Learning Fallstudie
- Verständnis des Geschäftsauftrags
- Datenvorbereitung und Merkmalsingenieurwesen
- Auswahl und Optimierung des Modells
- Bewertung und Präsentation der Ergebnisse
- Implementierung
Zusammenfassung und weitere Schritte
Voraussetzungen
- Basiswissen über maschinelles Lernen wie beispielsweise überwachtes und unüberwachtes Lernen
- Familiär mit Python Programmierung (Variablen, Schleifen, Funktionen)
- Eine gewisse Erfahrung im Umgang mit Daten mithilfe von Bibliotheken wie pandas oder NumPy ist hilfreich, aber nicht erforderlich
- Keine vorherige Erfahrung mit fortgeschrittenem Modellieren oder neuronalen Netzen wird erwartet
Zielgruppe
- Datenwissenschaftler
- Business Analysten
- Softwareentwickler und technische Fachkräfte, die mit Daten arbeiten
28 Stunden
Erfahrungsberichte (2)
das ML-Ekosystem, nicht nur MLFlow sondern auch Optuna, Hyperopt, Docker und Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
Maschinelle Übersetzung
Ich habe es sehr genossen, an der Kubeflow Ausbildung teilzunehmen, die ferngesteuert durchgeführt wurde. Diese Ausbildung ermöglichte mir, mein Wissen zu AWS-Diensten, K8s und allen devOps-Tools rund um Kubeflow zu festigen, was die notwendige Grundlage ist, um das Thema angemessen anzugehen. Ich möchte Malawski Marcin für seine Geduld und Professionalität bei der Ausbildung sowie für Tipps zur besten Praxis danken. Malawski attackiert das Thema aus verschiedenen Perspektiven, mit unterschiedlichen Bereitstellungstools Ansible, EKS kubectl, Terraform. Jetzt bin ich definitiv überzeugt, dass ich mich auf dem richtigen Anwendungsgebiet befinde.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurs - Kubeflow
Maschinelle Übersetzung
