Schulungsübersicht

Einführung in Neural Networks

Einführung in angewandtes Machine Learning

  • Statistisches Lernen vs. Maschinelles Lernen
  • Iteration und Bewertung
  • Bias-Varianz-Abgleich

Machine Learning mit Python

  • Auswahl von Bibliotheken
  • Zusätzliche Werkzeuge

Maschinelles Lernen - Konzepte und Anwendungen

Regression

  • Lineare Regression
  • Verallgemeinerungen und Nichtlinearität
  • Anwendungsfälle

Klassifizierung

  • Bayessche Auffrischung
  • Naive Bayes
  • Logistische Regression
  • K-Nächste Nachbarn
  • Use Cases

Kreuzvalidierung und Resampling

  • Ansätze der Kreuzvalidierung
  • Bootstrap
  • Use Cases

Unüberwachtes Lernen

  • K-Mittel-Clustering
  • Beispiele
  • Herausforderungen des unüberwachten Lernens und über K-means hinaus

Kurze Einführung in NLP-Methoden

  • Wort- und Satz-Tokenisierung
  • Textklassifikation
  • Stimmungsanalyse
  • Rechtschreibkorrektur
  • Informationsextraktion
  • Parsing
  • Bedeutungsextraktion
  • Beantwortung von Fragen

Künstliche Intelligenz & Deep Learning

Technischer Überblick

  • R v/s Python
  • Caffe v/s Tensor Flow
  • Verschiedene Machine Learning Bibliotheken

Fallstudien aus der Industrie

Voraussetzungen

  1. Sie sollten über Grundkenntnisse der Geschäftsabläufe und auch über technische Kenntnisse verfügen
  2. Muss ein Grundverständnis von Software und Systemen haben
  3. Grundkenntnisse von Statistics (in Excel-Ebenen)
  21 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.

Preis je Teilnehmer
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Erfahrungsberichte (1)

Kombinierte Kurse

Verwandte Kategorien