Schulungsübersicht

Überwachtes Lernen: Klassifizierung und Regression

    Maschinelles Lernen in Python: Einführung in die Scikit-Learn-API, lineare und logistische Regression, Unterstützung von Vektormaschinen, neuronale Netze, Zufallswald
Einrichten einer End-to-End-Pipeline für überwachtes Lernen mithilfe von scikit-learn und der Arbeit mit Datendateien
  • Imputation fehlender Werte
  • Umgang mit kategorialen Variablen
  • Daten visualisieren
  • Python Frameworks für KI-Anwendungen:
  • TensorFlow, Theano, Caffe und Keras AI im Maßstab mit Apache Spark: Mlib

      Fortschrittliche neuronale Netzwerkarchitekturen

    Faltungs-Neuronale Netze zur Bildanalyse, Rekurrente Neuronale Netze für zeitstrukturierte Daten, die lange Kurzzeitgedächtniszelle

      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

    Bildanalyse, Prognose komplexer Finanzreihen wie Aktienkurse, Erkennung komplexer Muster, Verarbeitung natürlicher Sprache, Empfehlungssysteme

      Verstehen Sie die Grenzen von KI-Methoden: Fehlerarten, Kosten und häufige Schwierigkeiten

    Überanpassungs-Bias/Varianz-Kompromiss-Bias bei der Vergiftung neuronaler Netze durch Beobachtungsdaten

      Angewandte Projektarbeit (optional)

    Voraussetzungen

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

      28 Stunden
     

    Teilnehmerzahl


    Beginnt

    Endet


    Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
    Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

    Erfahrungsberichte (2)

    Kombinierte Kurse

    Verwandte Kategorien