Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in die angewandte Maschinelles Lernen
- Statistisches Lernen vs. Maschinelles Lernen
- Iteration und Evaluierung
- Bias-Variance-Kompromiss
- Überwachtes vs. Unüberwachtes Lernen
- Probleme, die mit Maschinellem Lernen gelöst werden können
- Trainings-, Validierungs- und Testdaten – ML-Arbeitsablauf zur Vermeidung von Overfitting
- Arbeitsablauf des Maschinellen Lernens
- Algorithmen des maschinellen Lernens
- Auswahl eines geeigneten Algorithmus für das Problem
Algorithmus-Evaluierung
-
Evaluierung numerischer Vorhersagen
- Genauigkeitsmaße: ME, MSE, RMSE, MAPE
- Stabilität von Parametern und Vorhersagen
-
Evaluierung von Klassifikationsalgorithmen
- Genauigkeit und deren Probleme
- Verwechslungsmatrix (Confusion Matrix)
- Problem unbalancierter Klassen
-
Visualisierung der Modellleistung
- Profitkurve (Profit Curve)
- ROC-Kurve (Receiver Operating Characteristic)
- Lift-Kurve (Lift Curve)
- Modellselektion
- Modellanpassung – Grid-Search-Strategien
Daten vorbereiten für das Modellieren
- Dateneinlesen und -speicherung
- Daten verstehen – grundlegende Erkundungen
- Datenmanipulation mit der pandas-Bibliothek
- Datentransformationen – Data Wrangling
- Explorative Analyse
- Fehlende Beobachtungen – Erkennung und Lösungsstrategien
- Ausreißer – Erkennung und Strategien
- Standardisierung, Normalisierung, Binarisierung
- Kategorische Daten umwandeln (Recoding)
Maschinelle Lernalgorithmen für die Ausreißererkennung
-
Überwachte Algorithmen
- KNN (k-nearest neighbors)
- Ensemble Gradient Boosting
- SVM (Support Vector Machine)
-
Unüberwachte Algorithmen
- Distanzbasierende Methoden
- Dichte-basierte Methoden
- Wahrscheinlichkeitsbasierte Methoden
- Modellbasierte Methoden
Verständnis von Deep Learning
- Übersicht über die grundlegenden Konzepte des Deep Learnings
- Unterschied zwischen maschinellem Lernen und Deep Learning
- Überblick über Anwendungen des Deep Learnings
Übersicht über neuronale Netze
- Was sind neuronale Netze?
- Vergleich neuronaler Netze und Regressionsmodelle
- Verständnis der mathematischen Grundlagen und Lernmechanismen
- Konstruktion eines künstlichen neuronalen Netzwerks
- Verstehen von Neuronen und Verbindungen
- Arbeiten mit Neuronen, Schichten und Eingangs- und Ausgangsdaten
- Verständnis von Single Layer Perceptrons
- Unterschiede zwischen überwachtem und unüberwachtem Lernen
- Lernen von Feedforward- und Feedback-Neural Networks
- Verständnis von Forward Propagation und Back Propagation
Erstellen einfacher Deep Learning Modelle mit Keras
- Erstellung eines Keras-Modells
- Verstehen der Daten
- Spezifizieren des Deep Learning Modells
- Kompilieren des Modells
- Anpassen des Modells an die Daten (Fitting)
- Arbeiten mit Klassifikationsdaten
- Arbeiten mit Klassifikationsmodellen
- Verwenden der Modelle
Arbeiten mit TensorFlow für Deep Learning
-
Vorbereitung der Daten
- Herunterladen der Daten
- Vorbereiten der Trainingsdaten
- Vorbereiten der Testdaten
- Skalieren von Eingaben
- Verwenden von Placeholders und Variablen
- Spezifizieren der Netzarchitektur
- Verwenden der Kostenfunktion (Cost Function)
- Verwenden des Optimierers (Optimizer)
- Verwenden von Initialisierungsroutinen (Initializers)
- Anpassen des neuronalen Netzes an die Daten (Fitting)
-
Erstellen des Graphen
- Inferenz (Inference)
- Verlust (Loss)
- Training (Training)
-
Trainieren des Modells
- Der Graph (The Graph)
- Die Sitzung (The Session)
- Trainings-Schleife (Train Loop)
-
Evaluieren des Modells
- Erstellen des Eval-Graphen (Building the Eval Graph)
- Evaluieren mit Eval-Ausgabe (Evaluating with Eval Output)
- Trainieren von Modellen in großem Maßstab (Training Models at Scale)
- Visualisieren und Evaluieren von Modellen mit TensorBoard
Anwendung des Deep Learnings in der Ausreißererkennung (Anomaly Detection)
-
Autoencoder
- Encoder-Decoder-Architektur
- Rekonstruktionsverlust (Reconstruction loss)
-
Variational Autoencoder (Variational Autencoder)
- Variationelle Inferenz (Variational inference)
-
Generative Adversarial Network (GAN)
- Generator-Diskriminator-Architektur
- Ansätze zur Anomalieerkennung mit GANs (Approaches to AN using GAN)
Ensemble-Frameworks
- Kombinieren von Ergebnissen verschiedener Methoden
- Bootstrap Aggregating (Bagging)
- Durchschnittsbildung der Ausreißerscores (Averaging outlier score)
Voraussetzungen
- Erfahrung mit Python-Programmierung
- Grundkenntnisse in Statistik und mathematischen Konzepten
Zielgruppe
- Entwickler
- Data Scientists
28 Stunden
Erfahrungsberichte (5)
Die Schulung bot einen interessanten Überblick über Deep-Learning-Modelle und verwandte Methoden. Das Thema war für mich ziemlich neu, aber jetzt habe ich das Gefühl, dass ich tatsächlich eine Vorstellung davon habe, was KI und ML beinhalten können, woraus diese Begriffe bestehen und wie sie vorteilhaft eingesetzt werden können. Im Allgemeinen gefiel mir der Ansatz, mit dem statistischen Hintergrund und den grundlegenden Lernmodellen wie der linearen Regression zu beginnen, wobei die Übungen dazwischen besonders hervorgehoben wurden.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Anna hat immer gefragt, ob es Fragen gibt, und hat immer versucht, uns durch Fragen aktiver zu machen, wodurch wir alle wirklich in die Schulung einbezogen wurden.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Mir gefiel die Art und Weise, wie sie mit den Praktiken vermischt wurde.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Die umfangreichen Erfahrungen / Kenntnisse des Trainers
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
die VM ist eine gute Idee
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
