Schulungsübersicht

Überwachtes Lernen: Klassifizierung und Regression

  • Machine Learning in Python: Einführung in die scikit-learn API
    • Lineare und logistische Regression
    • Support-Vektor-Maschine
    • Neuronale Netze
    • Zufallsforst
  • Einrichten einer End-to-End-Pipeline für überwachtes Lernen mit scikit-learn
    • Arbeiten mit Datendateien
    • Imputation von fehlenden Werten
    • Umgang mit kategorischen Variablen
    • Visualisierung von Daten

Python Frameworks für KI-Anwendungen:

  • TensorFlow, Theano, Caffe und Keras
  • KI in großem Maßstab mit Apache Spark: Mlib

Fortgeschrittene neuronale Netzarchitekturen

  • Faltungsneuronale Netze für die Bildanalyse
  • rekurrente neuronale Netze für zeitstrukturelle Daten
  • die Zelle des Langzeitgedächtnisses

Unüberwachtes Lernen: Clustering, Erkennung von Anomalien

  • 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
  • Vorhersage komplexer Finanzreihen, wie z. B. Aktienkurse,
  • komplexe Mustererkennung
  • Verarbeitung natürlicher Sprache
  • Empfehlungssysteme

Verstehen der Grenzen von KI-Methoden: Fehlermöglichkeiten, Kosten und häufige Schwierigkeiten

  • Überanpassung
  • Kompromiss zwischen Verzerrung und Varianz
  • Verzerrungen in Beobachtungsdaten
  • Vergiftung von neuronalen Netzen

Angewandte Projektarbeit (optional)

Voraussetzungen

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

 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien