Kontakt aufnehmen

Schulungsübersicht

Überwachtes Lernen: Klassifikation und Regression

  • Machine Learning in Python: Einführung in die scikit-learn-API
    • lineare und logistische Regression
    • Support Vector Machines
    • neuronale Netze
    • Random Forest
  • Aufbau einer End-to-End-Pipeline für überwachtes Lernen mit scikit-learn
    • Arbeit mit Datendateien
    • Imputation fehlender Werte
    • Bearbeitung kategorialer Variablen
    • Visualisierung von Daten

Python-Frameworks für KI-Anwendungen:

  • TensorFlow, Theano, Caffe und Keras
  • KI im Grossmassstab mit Apache Spark: Mlib

Fortgeschrittene Architekturen neuronaler Netze

  • Konvolutionelle neuronale Netze für die Bildanalyse
  • Rekurrente neuronale Netze für zeitlich strukturierte Daten
  • Long Short-Term Memory (LSTM)-Zellen

Unüberwachtes Lernen: Clustering, Anomalie-Erkennung

  • Implementierung der Hauptkomponentenanalyse (PCA) mit scikit-learn
  • Implementierung von Autoencodern in Keras

Praktische Beispiele für Probleme, die KI lösen kann (Praxisübungen mit Jupyter-Notebooks), z. B.

  • Bildanalyse
  • Vorhersage komplexer finanzieller Zeitreihen, wie z. B. Aktienkurse
  • Erkennung komplexer Muster
  • Naturalsprachverarbeitung
  • Empfehlungssysteme

Verständnis der Grenzen von KI-Methoden: Versagensmodi, Kosten und häufige Schwierigkeiten

  • Überanpassung (Overfitting)
  • Bias-Varianz-Kompromiss
  • Verzerrungen in Beobachtungsdaten
  • Vergiftung neuronaler Netze

Angewandte Projektarbeit (optional)

Voraussetzungen

Es gibt keine spezifischen Voraussetzungen für den Besuch dieses Kurses.

 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien