Kontakt aufnehmen
 Dauer 28 Stunden

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.

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien