Maschinelles Lernen für Datenwissenschaft mit Python Schulung

Dieser Kurs behandelt den Einsatz von KI – insbesondere Maschinelernen und Tiefes Lernen – in der Automobilindustrie. Er hilft dabei zu erkennen, welche Technologien potenziell in vielen verschiedenen Anwendungsbereichen im Auto eingesetzt werden können: von einfacher Automatisierung über Bildverarbeitung bis hin zur autonomen Entscheidungsfindung.

Ein Blick auf die Grundlagen der künstlichen Intelligenz verdeutlicht, wie diese intelligente Technologie digitale Strategien, Automatisierung sowie Entscheidungsprozesse in Unternehmen nachhaltig prägt. Dabei werden zentrale Konzepte behandelt – darunter die Geschichte der KI, Methoden zur Problemlösung, Wissensrepräsentation, probabilistisches Schließen und verschiedene Ansätze des maschinellen Lernens – sowie Aspekte wie Kommunikation, Wahrnehmung und autonomes Handeln. Dieses Angebot hilft Führungskräften und Architekten dabei, Chancen für eine KI-gestützte Transformation zu erkennen, aktuelle technologische Entwicklungen zu bewerten sowie praktikable intelligente Lösungen zur Steigerung der Geschäftsagilität zu implementieren.

Dieses praxisorientierte Live-Training unter Anleitung eines Instruktors in Deutschland (online oder vor Ort) richtet sich an Biologen, die verstehen möchten, wie AlphaFold funktioniert, und diese Modelle in ihren experimentellen Forschungsarbeiten nutzen wollen.

Am Ende dieses Trainings werden die Teilnehmenden folgendes können:

• Die grundlegenden Prinzipien von AlphaFold verstehen.
• Erkennen, wie AlphaFold arbeitet.
• Lernen, wie man Vorhersagen sowie Ergebnisse von AlphaFold korrekt interpretiert.

Künstliche neuronale Netze stellen ein computergestütztes Datenmodell dar, das zur Entwicklung von KI-Systemen dient, die in der Lage sind, „intelligente“ Aufgaben zu erledigen. Solche Netze finden häufig Anwendung in Verfahren des maschinellen Lernens, welche wiederum eine Form der künstlichen Intelligenz darstellen. Tiefes Lernen bildet dabei ein Untergebiet des maschinellen Lernens.

Dieser Kurs vermittelt Programmierern und Datenanalysten grundlegende Techniken zum Aufbau von Machine-Learning-Lösungen aus der Grundlage heraus mithilfe von Python. Er behandelt die wesentlichen Konzepte des überwachten Lernens in Form von Klassifikation und Regression sowie das unüberwachte Lernen mit Clustering- und Anomalieerkennungsverfahren. Ebenso werden fortgeschrittene Architekturen neuronaler Netzwerke behandelt. Die Teilnehmer lernen bewährte Methoden zur Nutzung von scikit-learn, Apache Spark MLlib sowie Jupyter-Notebooks für die praktische Entwicklung von KI-Anwendungen kennen. Am Ende sind die Teilnehmer in der Lage, sinnvolle Machine-Learning-Modelle zu implementieren, Grenzen bestehender Algorithmen zu bewerten und konkrete Projekte zur Problemlösung im realen Kontext umzusetzen.

Dieses von einem Instruktor geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Teilnehmer mit unterschiedlichem Fachwissen, die die Google AutoML-Plattform nutzen möchten, um maßgeschneiderte Chatbots für verschiedene Anwendungszwecke zu entwickeln.

Nach Abschluss dieses Trainings werden die Teilnehmer in der Lage sein zu:

• die Grundlagen der Chatbot-Entwicklung zu verstehen;
  
  
• sich in der Google Cloud Platform zurechtzufinden und AutoML nutzen zu können;
  
  
• Daten für das Training von Chatbot-Modellen vorzubereiten;
  
  
• maßgeschneiderte Chatbot-Modelle mit Hilfe von AutoML zu trainieren und zu bewerten;
  
  
• Chatbots auf verschiedene Plattformen und Kanäle bereitzustellen und zu integrieren;
  
  
• die Leistungsfähigkeit der Chatbots im Laufe der Zeit zu überwachen und zu optimieren.
  
  

Dieses von einem Dozenten geleitete Präsenztraining in Deutschland (online oder vor Ort) richtet sich an Profis auf fortgeschrittenem Niveau, die ihre Kenntnisse in der Computer Vision vertiefen und die Möglichkeiten von TensorFlow beim Entwickeln komplexer Bildverarbeitungsmodelle unter Nutzung von Google Colab kennenlernen möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Convolutional Neural Networks (CNNs) mithilfe von TensorFlow zu erstellen und zu trainieren.
• Google Colab für eine skalierbare sowie effiziente Entwicklung von Modellen in der Cloud einzusetzen.
• Bildvorverarbeitungstechniken für Aufgaben im Bereich Computer Vision zu implementieren.
• Bildverarbeitungsmodelle für reale Anwendungen bereitzustellen.
• Transfer Learning anzuwenden, um die Leistung von CNN-Modellen zu verbessern.
• Ergebnisse von Bildklassifikationsmodellen visualisieren und interpretieren können.

Dieses von einem Instruktor geleitete Live-Training in Deutschland (online oder vor Ort) gibt eine Einführung in die Bereiche Mustererkennung und maschinelles Lernen. Es behandelt praktische Anwendungen aus der Statistik, Informatik, Signalverarbeitung, Computergrafik, Datenanalyse sowie Bioinformatik.

Am Ende des Kurses werden die Teilnehmenden in der Lage sein zu:

• die wesentlichen statistischen Methoden auf das Gebiet der Mustererkennung anzuwenden.
• relevante Modelle wie neuronale Netze sowie Kernel-Methoden zur Datenanalyse einzusetzen.
• fortgeschrittene Techniken zur Lösung komplexer Probleme zu implementieren.
• die Vorhersagegenauigkeit zu verbessern, indem verschiedene Modelle kombiniert werden.

Das Deep Reinforcement Learning (DRL) vereint die Grundsätze des Reinforcement Learnings mit Architekturen des Deep Learnings, um es Agenten zu ermöglichen, durch Interaktion mit ihrer Umgebung Entscheidungen zu treffen. Es bildet die Grundlage vieler moderner Fortschritte in der Künstlichen Intelligenz – etwa bei autonomen Fahrzeugen, der Robotiksteuerung, algorithmischem Handel sowie adaptiven Empfehlungssystemen. Mithilfe von Belohnungslernung kann ein künstlicher Agent Strategien erlernen, seine Vorgehensweisen optimieren und auf Basis von Versuch und Irrtum autonom handeln.

Dieses praxisorientierte Live-Training unter Anleitung eines Dozenten (online oder vor Ort) richtet sich an Entwickler sowie Datenwissenschaftler mittleren Kenntnisniveaus, die Deep Reinforcement Learning verstehen und anwenden möchten, um intelligente Agenten zu entwickeln, welche in komplexen Umgebungen eigenständig entscheiden können.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Die theoretischen Grundlagen sowie mathematischen Prinzipien des Reinforcement Learnings zu verstehen.
• Wichtige RL-Algorithmen wie Q-Learning, Policy Gradients und Actor-Critic-Verfahren umzusetzen.
• Deep Reinforcement Learning-Agenten mithilfe von TensorFlow oder PyTorch zu erstellen und zu trainieren.
• DRL auf reale Anwendungsbereiche anzuwenden – etwa bei Spielen, in der Robotik oder zur Optimierung von Entscheidungen.
• Mit Hilfe moderner Werkzeuge Probleme zu beheben sowie die Trainingsergebnisse zu visualisieren und weiter zu optimieren.

Ablauf des Kurses

• Interaktive Vorlesungen sowie moderierte Diskussionen.
• Praktische Übungen und Hand-on-Implementierungen.
• Live-Coding-Demonstrationen und anwendungsorientierte Projektarbeiten.

Möglichkeiten zur Anpassung des Kurses

• Wenn Sie eine individuell angepasste Variante dieses Kurses wünschen – etwa die Verwendung von PyTorch statt TensorFlow – kontaktieren Sie uns bitte, um dies zu vereinbaren.

Dieses von erfahrenen Instruktoren geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Entwickler, Datenwissenschaftler sowie Fachkräfte aus dem Bereich KI auf mittlerem Kenntnisniveau, die TensorFlow Lite für Edge-AI-Anwendungen einsetzen möchten.

Nach Abschluss des Kurses werden die Teilnehmenden in der Lage sein zu:

• Die Grundprinzipien von TensorFlow Lite sowie dessen Rolle im Kontext von Edge AI zu verstehen.
• KI-Modelle mit TensorFlow Lite zu entwickeln und zu optimieren.
• TensorFlow-Lite-Modelle auf unterschiedlichen Edge-Geräten einzusetzen.
• Werkzeuge sowie Verfahren zur Modellkonvertierung und -optimierung zu nutzen.
• Praktische Edge-AI-Anwendungen mithilfe von TensorFlow Lite umzusetzen.

Kubeflow ist eine Open-Source-Plattform, die den Aufbau, das Training sowie die Implementierung von Machine-Learning-Arbeitsabläufen auf Kubernetes erheblich vereinfacht.

Dieses praxisorientierte Live-Training unter Anleitung eines Instruktors – online oder vor Ort – richtet sich an Einsteiger sowie Fortgeschrittene, die zuverlässige ML-Workflows mithilfe von Kubeflow erstellen möchten.

Nach Abschluss dieses Kurses verfügen die Teilnehmenden über folgende Fähigkeiten:

• Sie kennen das Kubeflow-Ökosystem sowie seine wichtigsten Komponenten.
• Sie können reproduzierbare Workflows mithilfe von Kubeflow Pipelines erstellen.
• Sie sind in der Lage, skalierbare Trainingsaufgaben auf Kubernetes auszuführen.
• Sie wissen, wie man Machine-Learning-Modelle effizient mithilfe von Kubeflow Serving bereitstellt.

Ablauf des Kurses

• Geleitete Präsentationen sowie interaktive Diskussionen.
• Praktische Übungen mit realen Kubeflow-Komponenten.
• Anwendungsbezogene Aufgaben zur Erstellung kompletter ML-Workflows.

Individuelle Anpassungen des Kurses

• Auf Wunsch können speziell angepasste Kursversionen erstellt werden, die perfekt zu Ihrer technischen Infrastruktur und den Projektanforderungen passen.

Dieses von Instruktoren geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Datenanalysten mittleren Niveaus, die lernen möchten, wie man RapidMiner nutzt, um Werte zu schätzen und zu prognostizieren sowie analytische Werkzeuge für die Zeitreihenprognose einzusetzen.

Am Ende des Trainings werden die Teilnehmer folgendes können:

• Sie lernen, die CRISP-DM-Methodik anzuwenden, geeignete Algorithmen des maschinellen Lernens auszuwählen sowie den Aufbau und die Leistung von Modellen zu verbessern.
• Sie nutzen RapidMiner zur Schätzung und Prognose von Werten sowie zur Anwendung analytischer Methoden bei der Vorhersage von Zeitreihen.

Dieser Kurs vermittelt Ihnen zunächst grundlegendes theoretisches Wissen zu neuronalen Netzen sowie allgemein zu Algorithmen des maschinellen Lernens und des Deep Learnings – sowohl hinsichtlich deren Funktionsweisen als auch Anwendungsgebieten.

Der erste Teil (40 %) der Ausbildung konzentriert sich auf die Grundlagen, hilft Ihnen jedoch dabei, die passende Technologie auszuwählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Im zweiten Abschnitt (20 %) wird Theano vorgestellt – eine Python-Bibliothek, die die Erstellung von Deep-Learning-Modellen erheblich vereinfacht.

Der dritte Teil (40 %) setzt sich intensiv mit TensorFlow auseinander, der von Google bereitgestellten Open-Source-Bibliothek für Deep Learning. Alle Beispiele und praktischen Übungen werden dabei unter Verwendung von TensorFlow erstellt.

Zielgruppe

Dieser Kurs richtet sich an Ingenieure, die TensorFlow für ihre Deep-Learning-Projekte einsetzen möchten.

Nach Abschluss dieses Kurses werden die Teilnehmenden:

• ein fundiertes Verständnis von tiefen neuronalen Netzen (DNN), CNN sowie RNN haben
• die Struktur sowie die Einsatzmechanismen von TensorFlow verstehen
• in der Lage sein, Installationen durchzuführen, Produktivumgebungen einzurichten und entsprechende Architekturen zu konfigurieren
• die Qualität von Code bewerten sowie Debugging- und Überwachungsprozesse ausführen können
• fortgeschrittene Produktionsaufgaben umsetzen, wie etwa Training von Modellen, Erstellung von Berechnungsgraphen und Protokollierung

Dieses von einem Experten geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Fachkräfte auf fortgeschrittenem Niveau, die moderne XAI-Techniken für Deep Learning-Modelle kennenlernen möchten, mit besonderem Augenmerk auf den Aufbau verständlicher KI-Systeme.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Die Herausforderungen im Zusammenhang mit der Erklärbarkeit im Deep Learning zu verstehen.
• Fortschrittliche XAI-Techniken für neuronale Netze erfolgreich anzuwenden.
• Entscheidungen von Deep Learning-Modellen nachvollziehbar interpretieren zu können.
• Die Abwägungen zwischen Leistungsfähigkeit und Transparenz zu bewerten.