Machine Learning Schulungen in Frankfurt am Main

Diese Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Einsteiger, die das Konzept der vortrainierten Modelle verstehen und lernen möchten, wie man sie zur Lösung realer Probleme einsetzt, ohne Modelle von Grund auf zu erstellen.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein

• das Konzept und die Vorteile von vortrainierten Modellen zu verstehen.
• Verschiedene vortrainierte Modellarchitekturen und ihre Anwendungsfälle kennenlernen.
• Ein vortrainiertes Modell für spezifische Aufgaben feinabzustimmen.
• Vorgefertigte Modelle in einfachen Machine-Learning-Projekten zu implementieren.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Teilnehmer mit unterschiedlichem Kenntnisstand, die die Google AutoML-Plattform nutzen möchten, um individuelle Chatbots für verschiedene Anwendungen zu erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Grundlagen der Chatbot-Entwicklung zu verstehen.
• Die Google Cloud-Plattform zu navigieren und auf AutoML zuzugreifen.
• Daten für das Training von Chatbot-Modellen vorzubereiten.
• Benutzerdefinierte Chatbot-Modelle mit AutoML zu trainieren und zu bewerten.
• Einsatz und Integration von Chatbots in verschiedene Plattformen und Kanäle.
• Überwachen und optimieren Sie die Chatbot-Leistung im Laufe der Zeit.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene KI-Entwickler, Ingenieure für maschinelles Lernen und Systemarchitekten, die KI-Modelle für den Edge-Einsatz optimieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Herausforderungen und Anforderungen beim Einsatz von KI-Modellen auf Edge-Geräten zu verstehen.
• Modellkomprimierungstechniken anwenden, um die Größe und Komplexität von KI-Modellen zu reduzieren.
• Quantisierungsmethoden anwenden, um die Modelleffizienz auf Edge-Hardware zu verbessern.
• Implementierung von Pruning und anderen Optimierungstechniken zur Verbesserung der Modellleistung.
• Einsatz von optimierten KI-Modellen auf verschiedenen Edge-Geräten.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Entwickler, Datenwissenschaftler und Technik-Enthusiasten, die praktische Fertigkeiten für den Einsatz von KI-Modellen auf Edge-Geräten für verschiedene Anwendungen erwerben möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Prinzipien von Edge AI und ihre Vorteile zu verstehen.
• Die Edge-Computing-Umgebung einzurichten und zu konfigurieren.
• KI-Modelle für den Edge-Einsatz entwickeln, trainieren und optimieren.
• Praktische KI-Lösungen auf Edge-Geräten zu implementieren.
• Evaluierung und Verbesserung der Leistung von Modellen, die am Rande des Netzwerks eingesetzt werden.
• Ethische und sicherheitstechnische Überlegungen bei Edge-KI-Anwendungen anstellen.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die die Technologien hinter autonomen Systemen beherrschen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• KI-Modelle für autonome Entscheidungen zu entwerfen und zu implementieren.
• Steuerungsalgorithmen für autonome Navigation und Hindernisvermeidung zu entwickeln.
• Sicherheit und Zuverlässigkeit in KI-gesteuerten autonomen Systemen zu gewährleisten.
• Autonome Systeme in bestehende Robotik- und KI-Frameworks zu integrieren.

Dieser von einem Trainer geleitete Live-Kurs (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Wissen über maschinelles Lernen verbessern möchten, ihre Fähigkeiten in der Hyperparameter-Optimierung steigern und lernen wollen, wie man Modelle effektiv mit Google Colab einsetzt.

Am Ende des Kurses können die Teilnehmer:

• Fortgeschrittene maschinelles Lerne-Modelle unter Verwendung von Frameworks wie Scikit-learn und TensorFlow implementieren.
• Modellleistung durch Hyperparameter-Tuning optimieren.
• Maschinelles Lernen-Modelle in realen Anwendungen unter Verwendung von Google Colab einsetzen.
• In Google Colab große maschinelle-Lern-Projekte koordinieren und verwalten.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Fachleute auf mittlerem Niveau, die KI-Techniken zur Optimierung des Ertragsmanagements in der Halbleiterfertigung anwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Produktionsdaten zu analysieren, um Faktoren zu identifizieren, die die Ausbeute beeinflussen.
• KI-Algorithmen zur Verbesserung von Yield-Management-Prozessen zu implementieren.
• Produktionsparameter zu optimieren, um Fehler zu reduzieren und die Ausbeute zu verbessern.
• KI-gesteuertes Ertragsmanagement in bestehende Produktionsabläufe zu integrieren.

KI und Machine Learning sind sich schnell entwickelnde Technologien, die wichtige Implikationen für die Datengovernance und organisatorische Einhaltung von Vorschriften haben.

Dieser durch Trainer geleitete Live-Kurs (online oder vor Ort) richtet sich an Fachleute des Mittelschlags im Bereich Governance, Datenschutz und Einhaltung von Vorschriften, die verstehen möchten, wie umfassende Informationsgovernance-Praktiken in Umgebungen mit KI und maschinellem Lernen implementiert werden können.

Am Ende des Trainings werden die Teilnehmer Folgendes können:

• Die grundlegenden Konzepte von KI und maschinellem Lernen im Kontext der Informationsgovernance verstehen.
• Bereiche identifizieren, in denen KI/ML in Organisationen eingesetzt werden und damit verbundene IG-Risiken bestehen.
• Evaluiert, wie KI/ML mit den Data Protection-Prinzipien, der Aufzeichnungsverwaltung und Datengüte interagieren.
• DPIAs (Datenschutzprüfungen), Governance-Rahmenwerke und Risikomitigation-Ansätze in Projekten mit KI/ML anwenden.

Format des Kurses

• Schülerbeteiligung durch interaktive Vorlesungen und Diskussionen.
• Eigentliche Fallbeispiele und Rahmenanalyse.
• Gruppenaktivitäten und geleitete Dokumentdurchgänge.

Anpassungsmöglichkeiten des Kurses

• Zum Anfordern eines angepassten Trainings für diesen Kurs kontaktieren Sie uns bitte, um eine Vereinbarung zu treffen.

Dieses von einem Trainer geleitete, live Training in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Geschäftsfachleute und AI-Professionals, die Machine Learning in Geschäftsprozesse, Prognosen und AI-gestützte Systeme einbringen möchten, unter Verwendung von realen Fallstudien und Python-basierten Werkzeugen.

Am Ende des Trainings werden Teilnehmer in der Lage sein:

• zu verstehen, wie sich Machine Learning in die KI und Geschäftsstrategie einfügt.
• überwachtes und unüberwachtes Lernenstechniken auf strukturierte geschäftliche Probleme anzuwenden.
• Daten für Modelle vorzubereiten und zu transformieren.
• neuronale Netze zur Klassifikation und Vorhersageaufgaben einzusetzen.
• Verkaufsvorhersagen unter Verwendung statistischer und ML-basierter Methoden durchzuführen.
• Clustering und Assoziationsregel-Mining zur Kundensegmentierung und Musterverdichtung umzusetzen.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die modernste KI-Techniken auf die Automatisierung des Halbleiterdesigns anwenden möchten, um Effizienz, Genauigkeit und Innovation im Chipdesign und in der Verifikation zu verbessern.

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

• Anwendung fortschrittlicher KI-Techniken zur Optimierung von Halbleiterentwurfsprozessen.
• Modelle des maschinellen Lernens in EDA-Tools zur verbesserten Designverifizierung zu integrieren.
• KI-gesteuerte Lösungen für komplexe Design-Herausforderungen in der Chip-Fertigung zu entwickeln.
• Neuronale Netze zur Verbesserung der Genauigkeit und Geschwindigkeit der Designautomatisierung zu nutzen.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Fachleute auf mittlerem Niveau, die KI-Techniken zur Optimierung von Halbleiterfertigungsprozessen verstehen und anwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• KI-Methoden zur Prozessoptimierung in der Chipfertigung zu verstehen.
• KI-Modelle zu implementieren, um die Ausbeute zu erhöhen und Fehler zu reduzieren.
• Prozessdaten zu analysieren, um Schlüsselparameter für die Optimierung zu identifizieren.
• Techniken des maschinellen Lernens zur Feinabstimmung von Halbleiterfertigungsprozessen anwenden.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Teilnehmer auf mittlerem Niveau, die Arbeitsabläufe des maschinellen Lernens automatisieren und verwalten möchten, einschließlich der Schulung, Validierung und Bereitstellung von Modellen mit Apache Airflow.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein

• Apache Airflow für die Orchestrierung von Workflows für maschinelles Lernen einzurichten.
• Datenvorverarbeitung, Modelltraining und Validierungsaufgaben zu automatisieren.
• Airflow mit Frameworks und Tools für maschinelles Lernen zu integrieren.
• Einsatz von Machine-Learning-Modellen mithilfe automatisierter Pipelines.
• Überwachung und Optimierung von Workflows für maschinelles Lernen in der Produktion.

Dieser von einem Lehrtrainer durchgeführte Live-Kurs (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler und Entwickler, die effizient maschinelles Lernen mit dem Google Colab-Framework durchführen möchten.

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

• Google Colab für Maschinen-Lernprojekte einrichten und bedienen.
• Unterschiedliche maschinelle Lernalgorithmen verstehen und anwenden.
• Bibliotheken wie Scikit-learn verwenden, um Daten zu analysieren und Vorhersagen zu treffen.
• Supervised und unsupervised Learning-Modelle implementieren.
• Maschinelle Lernalgorithmen effektiv optimieren und bewerten.

This instructor-led, live training in Frankfurt am Main (online or onsite) is aimed at data scientists and developers who wish to use ML.NET machine learning models to automatically derive projections from executed data analysis for enterprise applications.

By the end of this training, participants will be able to:

• Install ML.NET and integrate it into the application development environment.
• Understand the machine learning principles behind ML.NET tools and algorithms.
• Build and train machine learning models to perform predictions with the provided data smartly.
• Evaluate the performance of a machine learning model using the ML.NET metrics.
• Optimize the accuracy of the existing machine learning models based on the ML.NET framework.
• Apply the machine learning concepts of ML.NET to other data science applications.

Dieser von einem Trainer geleitete Live-Kurs in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Datenprofis, die maschinelles Lernen auf datengetriebene Geschäftsaufgaben wie Verkaufsprognose und prädiktive Modellierung mit neuronalen Netzen anwenden möchten.

Am Ende des Kurses werden die Teilnehmer in der Lage sein:

• Die Kernkonzepte und Arten des maschinellen Lernens zu verstehen.
• Kerne Algorithmen für Klassifizierung, Regression, Clustering und Assoziationsanalyse anzuwenden.
• Explorative Datenanalyse und Datenvorbereitung mit Python durchzuführen.
• Neuronale Netze für nichtlineare Modellierungsaufgaben zu nutzen.
• Prädiktive Analytik zur Geschäftsprognose, einschließlich Verkaufsdaten, umzusetzen.
• Modellleistung mit visuellen und statistischen Techniken zu bewerten und zu optimieren.

Diese von einem Dozenten geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Datenwissenschaftler, Ingenieure für maschinelles Lernen, Deep-Learning-Forscher und Computer-Vision-Experten, die ihre Kenntnisse und Fähigkeiten im Bereich Deep Learning für die Text-zu-Bild-Erzeugung erweitern möchten.

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

• Fortgeschrittene Deep-Learning-Architekturen und -Techniken für die Text-Bild-Erzeugung zu verstehen.
• Komplexe Modelle und Optimierungen für eine hochwertige Bildsynthese zu implementieren.
• Leistung und Skalierbarkeit für große Datensätze und komplexe Modelle zu optimieren.
• Abstimmung von Hyperparametern für bessere Modellleistung und Generalisierung.
• Integration von Stable Diffusion mit anderen Deep-Learning-Frameworks und -Tools

Dieses von einem Trainer geleitete Live-Training in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Cybersecurity-Professionals, die ihre Fähigkeiten in AI-gestützter Bedrohungserkennung und -reaktion verbessern möchten.

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

• Erweiterte AI-Algorithmen für Echtzeiten-Bedrohungserkennung umzusetzen.
• AI-Modelle auf spezifische Cybersecurity-Herausforderungen anpassen.
• Automatisierte Arbeitsabläufe zur Bedrohungsbekämpfung entwickeln.
• AI-gesteuerte Sicherheitswerkzeuge gegen feindliche Angriffe schützen.

Dieses von einem Trainer geleitete, live Angebot in Frankfurt am Main (online oder vor Ort) richtet sich an Anfänger im Bereich Cybersecurity, die lernen möchten, wie sie KI zur Verbesserung der Bedrohungserkennung und -reaktion nutzen können.

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

• Anwendungen von KI in der Cybersecurity zu verstehen.
• AI-Algorithmen für Bedrohungserkennung umzusetzen.
• Incident Response mit KI-Tools automatisieren.
• KI in bestehende Cybersecurity-Infrastrukturen integrieren.

Diese Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Anfänger und fortgeschrittene Datenanalysten und Datenwissenschaftler, die Weka zur Durchführung von Data-Mining-Aufgaben verwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Weka zu installieren und zu konfigurieren.
• Die Weka-Umgebung und -Workbench zu verstehen.
• Data-Mining-Aufgaben mit Weka durchzuführen.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Datenanalysten, die lernen möchten, wie man RapidMiner verwendet, um Werte zu schätzen und zu projizieren und Analysewerkzeuge für Zeitreihenprognosen zu nutzen.

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

• die CRISP-DM-Methodik anzuwenden, geeignete Algorithmen für maschinelles Lernen auszuwählen und die Modellkonstruktion und -leistung zu verbessern.
• RapidMiner zu verwenden, um Werte zu schätzen und zu projizieren, und analytische Werkzeuge für Zeitreihenprognosen zu nutzen.

Diese von einem Dozenten geleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, Ingenieure für maschinelles Lernen und Forscher im Bereich Computer Vision, die Stable Diffusion nutzen möchten, um hochwertige Bilder für eine Vielzahl von Anwendungsfällen zu erzeugen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Prinzipien von Stable Diffusion und seine Funktionsweise für die Bilderzeugung zu verstehen.
• Erstellen und Trainieren von Stable Diffusion-Modellen für Bilderzeugungsaufgaben.
• Anwendung von Stable Diffusion auf verschiedene Bilderzeugungsszenarien, wie Inpainting, Outpainting und Bild-zu-Bild-Übersetzung.
• Optimieren der Leistung und Stabilität von Stable Diffusion-Modellen.

Ziel dieses Kurses ist es, eine grundlegende Kompetenz in der Anwendung Machine Learning Methoden in der Praxis zu bieten. Durch die Verwendung der Programmiersprache und ihrer verschiedenen Bibliotheken und auf der Grundlage einer Vielzahl praktischer Beispiele lehrt dieser Kurs, wie man die wichtigsten Baublöcke von Machine Learning verwendet, wie man Datenmodellierungsentscheidungen macht, die Ergebnisse der Algorithmen interpretiert und die Ergebnisse validiert.

Unser Ziel ist es, Ihnen die Fähigkeiten zu vermitteln, die grundlegendsten Tools aus dem Toolbox vertrauensvoll zu verstehen und zu verwenden und die gemeinsamen Fälle der Anwendungen zu vermeiden.

Ziel dieses Kurses ist es, allgemeine Kenntnisse in der Anwendung von maschinellen Lernmethoden in der Praxis zu vermitteln. Durch den Einsatz der Programmiersprache Python und ihrer verschiedenen Bibliotheken und anhand einer Vielzahl von Praxisbeispielen vermittelt dieser Kurs, wie man die wichtigsten Bausteine des maschinellen Lernens nutzt, wie man Datenmodellierungsentscheidungen trifft, die Ausgänge der Algorithmen und Validierung der Ergebnisse.

Unser Ziel ist es, Ihnen die Fähigkeiten zu vermitteln, die grundlegendsten Werkzeuge aus dem Werkzeugkasten Maschinenlerntechnik sicher zu verstehen und zu nutzen und die üblichen Fallstricke von Datenwissenschaften zu vermeiden.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Datenwissenschaftler und Software-Ingenieure, die AdaBoost verwenden möchten, um Boosting-Algorithmen für maschinelles Lernen mit Python zu erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• die notwendige Entwicklungsumgebung einzurichten, um mit der Erstellung von Modellen für maschinelles Lernen mit AdaBoost zu beginnen.
• den Ensemble-Learning-Ansatz und die Implementierung von adaptivem Boosting zu verstehen.
• Lernen, wie man AdaBoost-Modelle erstellt, um maschinelle Lernalgorithmen in Python zu verstärken.
• Hyperparameter-Tuning zu verwenden, um die Genauigkeit und Leistung von AdaBoost-Modellen zu erhöhen.

Diese von einem Dozenten geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Datenwissenschaftler und technisch weniger versierte Personen, die Auto-Keras verwenden möchten, um den Prozess der Auswahl und Optimierung eines maschinellen Lernmodells zu automatisieren.

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

• den Prozess des Trainings von hocheffizienten maschinellen Lernmodellen zu automatisieren.
• Automatisch nach den besten Parametern für Deep-Learning-Modelle zu suchen.
• Hochpräzise Modelle für maschinelles Lernen zu erstellen.
• die Möglichkeiten des maschinellen Lernens für die Lösung realer Geschäftsprobleme zu nutzen.

Diese von einem Ausbilder geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an technische Personen mit Hintergrundwissen im Bereich des maschinellen Lernens, die die zur Erkennung komplexer Muster in Big Data verwendeten maschinellen Lernmodelle optimieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Verschiedene Open-Source-Tools AutoML zu installieren und zu evaluieren (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, usw.)
• Trainieren Sie qualitativ hochwertige Modelle für maschinelles Lernen.
• Effiziente Lösung verschiedener Arten von überwachten maschinellen Lernproblemen.
• Schreiben Sie nur den notwendigen Code, um den automatisierten maschinellen Lernprozess in Gang zu setzen.

Dieser Kurs ist eine Kombination aus Theorie und praktischer Arbeit mit konkreten Beispielen, die während der gesamten Veranstaltung verwendet werden.

Dieser von einem Trainer geführte Live-Kurs in Frankfurt am Main (online oder vor Ort) bietet eine Einführung in das Gebiet der Mustererkennung und maschinellem Lernen. Er berührt praktische Anwendungen in Statistik, Informatik, Signalverarbeitung, Computer Vision, Datenanalyse und Bioinformatik.

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

• Kernstatistische Methoden auf Mustererkennung anzuwenden.
• Schlüsselmodelle wie neuronale Netzwerke und Kerntechniken zur Datenanalyse zu verwenden.
• Fortgeschrittene Techniken für komplexe Problemlösungen umzusetzen.
• Durch die Kombination verschiedener Modelle die Vorhersagegenauigkeit zu verbessern.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Datenwissenschaftler und Datenanalysten, die Vorhersagemodelle mit den Funktionen des maschinellen Lernens von DataRobot automatisieren, bewerten und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Datensätze in DataRobot zu laden, um Daten zu analysieren, zu bewerten und ihre Qualität zu prüfen.
• Modelle erstellen und trainieren, um wichtige Variablen zu identifizieren und Vorhersageziele zu erreichen.
• Modelle zu interpretieren, um wertvolle Erkenntnisse zu gewinnen, die für Geschäftsentscheidungen nützlich sind.
• Modelle zu überwachen und zu verwalten, um eine optimierte Vorhersageleistung zu erhalten.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Feature-Engineering-Techniken anwenden möchten, um Daten besser zu verarbeiten und bessere Machine-Learning-Modelle zu erhalten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Eine optimale Entwicklungsumgebung einrichten, einschließlich aller benötigten Python-Pakete.
• Gewinnen Sie wichtige Erkenntnisse durch die Analyse der Merkmale eines Datensatzes.
• Optimieren Sie Machine-Learning-Modelle durch Anpassung der Rohdaten selbst.
• Datensätze zur Vorbereitung auf maschinelles Lernen bereinigen und transformieren.

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer die Fähigkeit haben, zu lernen, ohne ausdrücklich programmiert zu werden.

Deep Learning ist ein Teilbereich des maschinellen Lernens, der Methoden verwendet, die auf dem Lernen von Datendarstellungen und -strukturen wie neuronalen Netzen basieren.

Python ist eine Programmiersprache auf hohem Niveau, die für ihre klare Syntax und die Lesbarkeit des Codes bekannt ist.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie man Deep-Learning-Modelle für die Telekommunikation mit Python implementiert, indem sie Schritt für Schritt ein Deep-Learning-Kreditrisikomodell erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die grundlegenden Konzepte des Deep Learning zu verstehen.
• die Anwendungen und Einsatzmöglichkeiten von Deep Learning in der Telekommunikation kennen.
• Verwendung von Python, Keras und TensorFlow zur Erstellung von Deep-Learning-Modellen für die Telekommunikation.
• Ihr eigenes Deep-Learning-Modell zur Vorhersage der Kundenabwanderung unter Verwendung von Python zu erstellen.

Format des Kurses

• Interaktive Vorlesung und Diskussion.
• Viele Übungen und Praxis.
• Praktische Umsetzung in einer Live-Laborumgebung.

Optionen zur Kursanpassung

• Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Datenwissenschaftler, Datenanalysten und Entwickler, die die Produkte und Funktionen von AutoML kennenlernen möchten, um benutzerdefinierte ML-Schulungsmodelle mit minimalem Aufwand zu erstellen und einzusetzen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die AutoML-Produktlinie zu erkunden, um verschiedene Dienste für unterschiedliche Datentypen zu implementieren.
• Datensätze vorbereiten und beschriften, um benutzerdefinierte ML-Modelle zu erstellen.
• Modelle zu trainieren und zu verwalten, um genaue und faire maschinelle Lernmodelle zu erstellen.
• Vorhersagen mit trainierten Modellen treffen, um Geschäftsziele und -anforderungen zu erfüllen.

Dieser Kurs richtet sich an Personen, die bereits einen Hintergrund in Datenwissenschaft und Statistik haben. Die gegebenen Erklärungen sollen entweder als Erinnerung für diejenigen dienen, die bereits mit den Konzepten vertraut sind, oder diejenigen informieren, die über einen entsprechenden Hintergrund verfügen.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud mit AWS EKS (Elastic Kubernetes Service).
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ausführen ganzer Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen.
• Verwendung von Kubeflow zum Erzeugen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning Arbeitslasten auf einem AWS EC2-Server bereitstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren Sie Kubernetes, Kubeflow und andere benötigte Software auf AWS.
• Verwenden Sie EKS (Elastic Kubernetes Service), um die Initialisierung eines Kubernetes-Clusters auf AWS zu vereinfachen.
• Erstellen und Bereitstellen einer Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion.
• Trainieren und Bereitstellen von TensorFlow ML-Modellen auf mehreren parallel laufenden GPUs und Rechnern.
• Nutzen Sie andere verwaltete AWS-Services, um eine ML-Anwendung zu erweitern.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Techniker, die Machine Learning Workloads in der Azure-Cloud bereitstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren Sie Kubernetes, Kubeflow und andere benötigte Software auf Azure.
• Verwenden Sie Azure Kubernetes Service (AKS), um die Initialisierung eines Kubernetes-Clusters auf Azure zu vereinfachen.
• Erstellen und Bereitstellen einer Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion.
• Trainieren und Bereitstellen von TensorFlow ML-Modellen auf mehreren parallel laufenden GPUs und Computern.
• Nutzen Sie andere verwaltete AWS-Services, um eine ML-Anwendung zu erweitern.

Diese von einem Trainer geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud.
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ganze Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen auszuführen.
• Verwendung von Kubeflow zum Erstellen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz, bei dem Computer die Fähigkeit haben, zu lernen, ohne ausdrücklich programmiert zu werden. Python ist eine Programmiersprache, die für ihre klare Syntax und Lesbarkeit bekannt ist. Sie bietet eine hervorragende Sammlung erprobter Bibliotheken und Techniken für die Entwicklung von Anwendungen für maschinelles Lernen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie Techniken und Werkzeuge des maschinellen Lernens zur Lösung realer Probleme im Bankensektor einsetzen können.

Die Teilnehmer lernen zunächst die wichtigsten Prinzipien kennen und setzen dann ihr Wissen in die Praxis um, indem sie ihre eigenen maschinellen Lernmodelle erstellen und diese zur Durchführung einer Reihe von Team-Projekten verwenden.

Teilnehmerkreis

• Entwickler
• Datenwissenschaftler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Techniker, die lernen möchten, wie man eine Strategie für maschinelles Lernen implementiert und gleichzeitig die Nutzung von Big Data maximiert.

Am Ende dieser Schulung werden die Teilnehmer:

• Verstehen Sie die Entwicklung und die Trends des maschinellen Lernens.
• Wissen, wie maschinelles Lernen in verschiedenen Branchen eingesetzt wird.
• Mit den Tools, Fähigkeiten und Dienstleistungen vertraut sein, die für die Implementierung des maschinellen Lernens in einem Unternehmen zur Verfügung stehen.
• Verstehen Sie, wie maschinelles Lernen zur Verbesserung von Data Mining und Analyse eingesetzt werden kann.
• Lernen Sie, was ein Data-Middle-Backend ist und wie es von Unternehmen genutzt wird.
• Verstehen Sie die Rolle, die Big Data und intelligente Anwendungen in verschiedenen Branchen spielen.

Dieser Kurs richtet sich an Personen, die Machine Learning in praktischen Anwendungen für ihr Team anwenden möchten. Die Schulung befasst sich nicht mit technischen Aspekten und dreht sich um grundlegende Konzepte und deren geschäftliche / betriebliche Anwendungen.

Zielgruppe

1. Investoren und KI-Unternehmer
2. Manager und Ingenieure, deren Unternehmen in den KI-Raum vordringt
3. Business & Investoren

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer die Fähigkeit haben, zu lernen, ohne ausdrücklich programmiert zu werden. Python ist eine Programmiersprache, die für ihre klare Syntax und gute Lesbarkeit bekannt ist. Sie bietet eine hervorragende Sammlung erprobter Bibliotheken und Techniken für die Entwicklung von Anwendungen für maschinelles Lernen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie Techniken und Werkzeuge des maschinellen Lernens zur Lösung von realen Problemen in der Finanzbranche einsetzen können.

Die Teilnehmer lernen zunächst die wichtigsten Prinzipien kennen und setzen dann ihr Wissen in die Praxis um, indem sie ihre eigenen Machine-Learning-Modelle erstellen und diese für eine Reihe von Team-Projekten verwenden.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein

• die grundlegenden Konzepte des maschinellen Lernens zu verstehen
• die Anwendungen und Einsatzmöglichkeiten des maschinellen Lernens im Finanzbereich kennenlernen
• ihre eigene algorithmische Handelsstrategie unter Verwendung von maschinellem Lernen mit Python zu entwickeln

Zielgruppe

• Entwickler
• Datenwissenschaftler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, die über die Erstellung von ML-Modellen hinausgehen und den Prozess der Erstellung, Verfolgung und Bereitstellung von ML-Modellen optimieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von MLflow und verwandten ML-Bibliotheken und -Frameworks.
• die Bedeutung der Nachvollziehbarkeit, Reproduzierbarkeit und Einsatzfähigkeit eines ML-Modells zu erkennen
• ML-Modelle auf verschiedenen öffentlichen Clouds, Plattformen oder On-Premise-Servern bereitzustellen.
• Skalierung des ML-Bereitstellungsprozesses, um die Zusammenarbeit mehrerer Benutzer an einem Projekt zu ermöglichen.
• Einrichtung eines zentralen Registers, um mit ML-Modellen zu experimentieren, sie zu reproduzieren und einzusetzen.

Dieser Kurs richtet sich an Personen, die grundlegende Techniken des Machine Learning in praktischen Anwendungen anwenden möchten.

Publikum

Datenwissenschaftler und Statistiker, die mit maschinellem Lernen vertraut sind und wissen, wie man R programmiert. Der Schwerpunkt dieses Kurses liegt auf den praktischen Aspekten der Daten- / Modellvorbereitung, Ausführung, Post-Hoc-Analyse und Visualisierung. Ziel ist es, Teilnehmern, die an der Anwendung der Methoden bei der Arbeit interessiert sind, eine praktische Einführung in das maschinelle Lernen zu geben

Branchenspezifische Beispiele sollen das Training für das Publikum relevant machen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie den iOS Machine Learning (ML) Technologie-Stack verwenden, während sie Schritt für Schritt die Erstellung und Bereitstellung einer iOS mobilen App durchlaufen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• eine mobile App zu erstellen, die Bildverarbeitung, Textanalyse und Spracherkennung ermöglicht
• Access vortrainierte ML-Modelle für die Integration in iOS Apps
• ein benutzerdefiniertes ML-Modell zu erstellen
• Hinzufügen von Siri-Sprachunterstützung zu iOS-Apps
• Verstehen und Verwenden von Frameworks wie coreML, Vision, CoreGraphics und GamePlayKit
• Sprachen und Tools wie Python, Keras, Caffee, Tensorflow, sci-kit learn, libsvm, Anaconda und Spyder verwenden

Zielgruppe

• Entwickler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die mit Google's ML Kit maschinelle Lernmodelle erstellen möchten, die für die Verarbeitung auf mobilen Geräten optimiert sind.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• die notwendige Entwicklungsumgebung einzurichten, um mit der Entwicklung von maschinellen Lernfunktionen für mobile Anwendungen zu beginnen.
• Neue Technologien des maschinellen Lernens mit Hilfe der ML Kit APIs in Android und iOS Apps zu integrieren.
• Bestehende Apps mit dem ML Kit SDK für die Verarbeitung und Bereitstellung auf dem Gerät zu erweitern und zu optimieren.

Dieses von einem Trainer geleitete Live-Seminar in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Geschäftstags und Fachleute, die maschinelles Lernen zur Lösung realer Geschäftsprobleme unter Verwendung praktischer Fallstudien und handwerklicher Werkzeuge einsetzen möchten.

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

• Zu verstehen, wie maschinelles Lernen in moderne KI-Systeme und Geschäftsstrategien integriert wird.
• Angemessene maschinelle Lernmethoden für verschiedene Geschäftsaufgaben zu identifizieren.
• Geschäftsdaten vorzubereiten und für maschinelles Lernen zu transformieren.
• Kernelemente des maschinellen Lernens wie Klassifikation, Regression, Clustering und Zeitreihenvorhersage anzuwenden.
• Maschinelles Lernen in den Kontext der Geschäftsführung zu interpretieren und zu bewerten.
• Durch Fallstudien praktische Erfahrungen zu sammeln und erlernte Techniken auf reale Szenarien anzuwenden.

Dieser Kurs führt in maschinelles Lernen in Anwendungen der Robotik ein.

Es bietet einen umfassenden Überblick über bestehende Methoden, Motivationen und Hauptideen im Zusammenhang mit Mustererkennung.

Nach einer kurzen theoretischen Grundlage werden die Teilnehmer einfache Übungen durchführen, wobei Open-Source (meistens R) oder andere beliebte Software eingesetzt wird.

Dieser von einem Trainer geleitete Live-Kurs in Frankfurt am Main (online oder vor Ort) richtet sich an fortgeschrittene Datenanalysten, Entwickler oder zukünftige Data Scientists, die maschinelles Lernen in Python einsetzen möchten, um Erkenntnisse zu gewinnen, Vorhersagen zu treffen und datengesteuerte Entscheidungen zu automatisieren.

Am Ende des Kurses werden die Teilnehmer in der Lage sein:

• Die wichtigsten Paradigmen des maschinellen Lernens zu verstehen und voneinander abzugrenzen.
• Daten vorzubereiten und Metriken zur Bewertung von Modellen zu erkunden.
• Maschinelles Lernen-Algorithmus anhand realer Datenprobleme anzuwenden.
• Python-Bibliotheken und Jupyter Notebooks für die praktische Entwicklung zu nutzen.
• Modelle zur Vorhersage, Klassifizierung, Empfehlung und Clustering aufzubauen.

Pattern Matching ist eine Technik zur Lokalisierung bestimmter Muster in einem Bild. Sie kann verwendet werden, um das Vorhandensein bestimmter Merkmale in einem aufgenommenen Bild zu bestimmen, z. B. das erwartete Etikett auf einem fehlerhaften Produkt in einer Fertigungsstraße oder die bestimmten Abmessungen eines Bauteils. Es unterscheidet sich von "Pattern Recognition" (das allgemeine Muster auf der Grundlage größerer Sammlungen verwandter Muster erkennt) dadurch, dass es spezifisch vorgibt, wonach wir suchen, und uns dann sagt, ob das erwartete Muster vorhanden ist oder nicht.

Format des Kurses

• Dieser Kurs führt in die Ansätze, Technologien und Algorithmen ein, die im Bereich des Musterabgleichs verwendet werden, wie er für Machine Vision gilt.

Diese von einem Dozenten geleitete Live-Schulung in Frankfurt am Main (online oder vor Ort) richtet sich an Datenwissenschaftler und Software-Ingenieure, die Random Forest verwenden möchten, um Algorithmen für maschinelles Lernen für große Datensätze zu erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• die notwendige Entwicklungsumgebung einzurichten, um mit der Erstellung von maschinellen Lernmodellen mit Random Forest zu beginnen.
• die Vorteile von Random Forest zu verstehen und zu wissen, wie man es zur Lösung von Klassifikations- und Regressionsproblemen einsetzt.
• Lernen, wie man mit großen Datensätzen umgeht und mehrere Entscheidungsbäume in Random Forest interpretiert.
• Evaluierung und Optimierung der Leistung von Machine-Learning-Modellen durch Abstimmung der Hyperparameter.

RapidMiner ist eine quelloffene Data-Science-Softwareplattform für Rapid Application Prototyping und Entwicklung. Sie umfasst eine integrierte Umgebung für Datenaufbereitung, maschinelles Lernen, Deep Learning, Text Mining und prädiktive Analysen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie RapidMiner Studio für die Datenaufbereitung, das maschinelle Lernen und die Bereitstellung von Vorhersagemodellen nutzen können.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein

• Installieren und Konfigurieren von RapidMiner
• Daten mit RapidMiner aufbereiten und visualisieren
• Modelle für maschinelles Lernen zu validieren
• Daten zu mischen und Vorhersagemodelle zu erstellen
• Predictive Analytics innerhalb eines Geschäftsprozesses zu operationalisieren
• Fehlerbehebung und Optimierung RapidMiner

Zielgruppe

• Datenwissenschaftler
• Ingenieure
• Entwickler

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Hinweis

• Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.