Kontakt aufnehmen

Schulungsübersicht

Überwachtes Lernen: Klassifikation und Regression

  • Machine Learning in Python: Einführung in die scikit-learn-API
    • Lineare und logistische Regression
    • Support Vector Machine
    • Neuronale Netzwerke
    • Random Forest
  • Aufbau einer End-to-End-Pipeline für überwachtes Lernen mit scikit-learn
    • Arbeiten mit Datendateien
    • Imputation fehlender Werte
    • Behandlung kategorialer Variablen
    • Visualisierung von Daten

Python-Frameworks für KI-Anwendungen:

  • TensorFlow, Theano, Caffe und Keras
  • KI im großen Maßstab mit Apache Spark: MLlib

Fortgeschrittene Architekturen neuronaler Netzwerke

  • Konvolutionale neuronale Netzwerke für die Bildanalyse
  • Rekurrente neuronale Netzwerke für zeitgesteuerte Daten
  • Die Long Short-Term Memory (LSTM)-Zelle

Unüberwachtes Lernen: Clustering, Anomalieerkennung

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

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

  • Bildanalyse
  • Prognose komplexer Finanzreihen, wie z. B. von Aktienkurse,
  • Erkennung komplexer Muster
  • Naturales Sprachverständnis (NLP)
  • Empfehlungssysteme

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

  • Überanpassung (Overfitting)
  • Bias-Varianz-Trade-off
  • Verzerrungen in Beobachtungsdaten
  • Verfälschung neuronaler Netzwerke (Neural Network Poisoning)

Angewandte Projektdurchführung (optional)

Voraussetzungen

Für die Teilnahme an diesem Kurs sind keine spezifischen Voraussetzungen erforderlich.

 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien