Schulungsübersicht
Einführung in das angewandte maschinelle Lernen
- Statistisches Lernen vs. maschinelle Lernen
- Iteration und Bewertung
- Bias-Varianz-Kompromiss
- Überwachtes vs. unüberwachtes Lernen
- Probleme, die mit maschinellem Lernen gelöst werden
- Train, Validation, Test – ML-Workflow zur Vermeidung von Overfitting
- Workflow des maschinellen Lernens
- Algorithmen des maschinellen Lernens
- Auswahl des geeigneten Algorithmus für das Problem
Algorithmusbewertung
-
Bewertung numerischer Vorhersagen
- Genauigkeitsmaße: ME, MSE, RMSE, MAPE
- Stabilität von Parametern und Vorhersagen
-
Bewertung von Klassifizierungsalgorithmen
- Genauigkeit und ihre Probleme
- Die Verwechslungsmatrix
- Das Problem unausgeglichener Klassen
-
Visualisierung der Modellleistung
- Profitkurve
- ROC-Kurve
- Lift-Kurve
- Modellauswahl
- Modellabstimmung – Grid-Search-Strategien
Datenvorbereitung für die Modellierung
- Datenimport und -speicherung
- Datenverständnis – grundlegende Erkundungen
- Datentransformationen mit der pandas-Bibliothek
- Datentransformationen – Data Wrangling
- Explorative Analyse
- Fehlende Beobachtungen – Erkennung und Lösungen
- Ausreißer – Erkennung und Strategien
- Standardisierung, Normalisierung, Binarisierung
- Neuencodierung von qualitativen Daten
Algorithmen des maschinellen Lernens für die Ausreißererkennung
-
Überwachte Algorithmen
- KNN
- Ensemble Gradient Boosting
- SVM
-
Unüberwachte Algorithmen
- Distanzbasierte Methoden
- Dichte-basierte Methoden
- Probabilistische Methoden
- Modellbasierte Methoden
Verständnis von Deep Learning
- Überblick über die grundlegenden Konzepte des Deep Learning
- Unterscheidung zwischen maschinellem Lernen und Deep Learning
- Überblick über Anwendungen des Deep Learning
Überblick über neuronale Netze
- Was sind neuronale Netze?
- Neuronale Netze vs. Regressionsmodelle
- Verständnis mathematischer Grundlagen und Lernmechanismen
- Konstruktion eines künstlichen neuronalen Netzes
- Verständnis neuronaler Knoten und Verbindungen
- Arbeiten mit Neuronen, Schichten und Eingangs- sowie Ausgangsdaten
- Verständnis von Single-Layer-Perceptrons
- Unterschiede zwischen überwachtem und unüberwachtem Lernen
- Lernen von Feedforward- und Feedback-Neuralen Netzen
- Verständnis von Vorwärtspropagation und Rückwärtspropagation
Erstellung einfacher Deep-Learning-Modelle mit Keras
- Erstellung eines Keras-Modells
- Verständnis Ihrer Daten
- Spezifikation Ihres Deep-Learning-Modells
- Kompilierung Ihres Modells
- Anpassung Ihres Modells (Fitting)
- Arbeiten mit Ihren Klassifizierungsdaten
- Arbeiten mit Klassifizierungsmodellen
- Nutzung Ihrer Modelle
Arbeiten mit TensorFlow für Deep Learning
-
Datenvorbereitung
- Herunterladen der Daten
- Vorbereitung der Trainingsdaten
- Vorbereitung der Testdaten
- Skalierung der Eingaben
- Verwendung von Platzhaltern und Variablen
- Spezifikation der Netzwerkarchitektur
- Verwendung der Kostenfunktion
- Verwendung des Optimierers
- Verwendung von Initialisierern
- Anpassung des neuronalen Netzes (Fitting)
-
Aufbau des Graphen
- Inferenz
- Verlust (Loss)
- Training
-
Training des Modells
- Der Graph
- Die Sitzung (Session)
- Trainingsschleife (Train Loop)
-
Bewertung des Modells
- Aufbau des Bewertungsgraphen
- Bewertung mit Eval-Output
- Training von Modellen im großen Maßstab
- Visualisierung und Bewertung von Modellen mit TensorBoard
Anwendung von Deep Learning in der Anomalieerkennung
-
Autoencoder
- Encoder-Decoder-Architektur
- Rekonstruktionsverlust
-
Variational Autencoder
- Variationsinferenz
-
Generative Adversarial Network
- Generator-Diskriminator-Architektur
- Ansätze zur AN (Anomalieerkennung) mittels GAN
Ensemble-Frameworks
- Kombination von Ergebnissen aus verschiedenen Methoden
- Bootstrap Aggregating
- Durchschnittswert des Ausreißerscores
Voraussetzungen
- Erfahrung in der Python-Programmierung
- Grundlegende Kenntnisse in Statistik und mathematischen Konzepten
Zielgruppe
- Entwickler
- Data Scientists
Erfahrungsberichte (5)
Die Schulung bot einen interessanten Überblick über Deep-Learning-Modelle und verwandte Methoden. Das Thema war für mich völlig neu, aber nun habe ich das Gefühl, tatsächlich eine Vorstellung davon zu haben, was KI und ML beinhalten können, woraus diese Begriffe bestehen und wie sie vorteilhaft eingesetzt werden können. Im Allgemeinen mochte ich den Ansatz, mit dem statistischen Hintergrund und den grundlegenden Lernmodellen, wie der linearen Regression, zu beginnen, wobei die dazwischen liegenden Übungen besonders betont wurden.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Anna fragte immer, ob es Fragen gibt, und versuchte stets, uns durch die Aufstellung von Fragen aktiv zu beteiligen. Dadurch waren wir alle sehr in das Training eingebunden.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Mir gefiel, wie es mit den Praktiken vermischt wurde.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Die umfangreiche Erfahrung und 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
