Schulungsübersicht
Einführung in fortgeschrittene Modelle des maschinellen Lernens
- Überblick über komplexe Modelle: Random Forests, Gradient Boosting sowie neuronale Netze
- Anwendungsgebiete und bewährte Praktiken zur Nutzung fortgeschrittener Modelle
- Grundlagen der Ensemble-Lernverfahren
Hyperparameter-Tuning und Optimierung
- Verfahren wie Grid Search und zufällige Suche zur Optimierung
- Automatisierte Hyperparameter-Optimierung unter Nutzung von Google Colab
- Einsatz fortgeschrittener Optimierungsverfahren wie Bayes’sche Methoden und genetische Algorithmen
Neuronale Netze und Deep Learning
- Erstellung und Training tiefer neuronaler Netze
- Transfer Learning mithilfe vorgefertigter Modelle
- Leistungsoptimierung von Deep-Learning-Modellen
Bereitstellung von Modellen
- Grundlagen zur Implementierung verschiedener Strategien für die Modellbereitstellung
- Deployment von Modellen in Cloud-Umgebungen über Google Colab
- Echtzeit-Inferenz sowie Batch-Verarbeitung
Arbeiten mit Google Colab bei umfangreichen maschinellen Lernprojekten
- Gemeinsame Projektarbeit an Maschinenlernmodellen innerhalb von Colab
- Nutzung von Colab für verteiltes Training sowie Beschleunigung mittels GPU/TPU
- Integration mit Cloud-Diensten zur skalierbaren Trainierung von Modellen
Interpretierbarkeit und Erklärbarkeit von Modellen
- Vorstellung gängiger Methoden zur Analyse der Modellinterpretation wie LIME und SHAP
- Erklärbare KI im Kontext von Deep-Learning-Modellen
- Identifizierung sowie Behandlung von Verzerrungen und Gerechtigkeitsaspekten in Modellen
Reale Anwendungsfälle und Fallstudien
- Einsatz fortgeschrittener Modelle in den Bereichen Gesundheitswesen, Finanzdienstleistungen sowie E-Commerce
- Praxisbeispiele erfolgreicher Modellimplementierungen
- Herausforderungen und zukünftige Entwicklungen im Bereich fortgeschrittenes maschinelles Lernen
Zusammenfassung sowie nächste Schritte
Voraussetzungen
- Fundiertes Verständnis von Algorithmen und Konzepten des maschinellen Lernens
- Sichere Kenntnisse in der Python-Programmierung
- Erfahrung mit Jupyter Notebooks oder Google Colab
Zielgruppe
- Datenwissenschaftler
- Fachkräfte im Bereich maschinelles Lernen
- KI-Ingenieure
Erfahrungsberichte (2)
Erfahrungsaufbau im Bereich der Prompt-Wiederholung für Personen, die zuvor keine KI genutzt haben, sowie die Einführung alternativer Methoden der KI-Nutzung für bestehende Anwender.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
