Kontakt aufnehmen

Schulungsübersicht

Überwachtes Lernen: Klassifikation und Regression

  • Maschinelles Lernen in Python – Einführung in die scikit-learn-API
    • Lineare und logistische Regression
    • Support Vector Machines
    • Neuronale Netzwerke
    • Zufallswaldbasierte Verfahren
  • Einrichtung einer vollständigen Pipeline für das überwachte Lernen mit scikit-learn
    • Arbeiten mit Datendateien
    • Berechnung fehlender Werte
    • Umgehen mit kategorialen Variablen
    • Visualisierung von Daten

Python-Frameworks für KI-Anwendungen:

  • TensorFlow, Theano, Caffe und Keras
  • Skalierbares KI-Training mit Apache Spark: Mlib

Fortgeschrittene Architekturen neuronaler Netzwerke

  • Faltungsnetzwerke für die Bildanalyse
  • Rekurrente neuronale Netzwerke zur Verarbeitung zeitabhängiger Daten
  • Das Konzept des Long Short-Term Memory-Zellmodells

Unüberwachtes Lernen: Clustering und Anomalieerkennung

  • Hauptkomponentenanalyse mithilfe von scikit-learn umsetzen
  • Autoencoder mit Keras implementieren

Praktische Beispiele für Problemlösungen durch KI – praktische Übungen in Jupyter-Notebooks, etwa:

  • Bildanalyse
  • Vorhersage komplexer Finanzzeitreihen wie Aktienkurse
  • Erkennung komplexer Muster
  • Natursprachverarbeitung
  • Empfehlungssysteme

Begrenzungen von KI-Verfahren: Fehlerursachen, Kosten und typische Schwierigkeiten verstehen

  • Überanpassung der Modelle
  • Ausgleich zwischen Bias und Varianz
  • Verzerrungen in Beobachtungsdaten
  • Beeinflussung neuronaler Netzwerke durch unautorisierte Eingriffe

Praktische Projektarbeit (optional)

Voraussetzungen

Für die Teilnahme an diesem Kurs sind keinerlei Vorkenntnisse erforderlich.

 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien