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 durchgehenden überwachten Lernpipeline mit scikit-learn
    • Arbeiten mit Datendateien
    • Ersatz fehlender Werte
    • Umgang mit kategorischen Variablen
    • Datenvisualisierung

Python-Frameworks für KI-Anwendungen:

  • TensorFlow, Theano, Caffe und Keras
  • KI in grossen Massstäben mit Apache Spark: Mlib

Fortschrittliche neuronale Netzwerkarchitekturen

  • Convolutional Neural Networks für die Bildanalyse
  • Recurrent Neural Networks für zeitstrukturierte Daten
  • das Long Short-Term Memory Cell (LSTM)

Unüberwachtes Lernen: Clustering, Anomalieerkennung

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

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

  • Bildanalyse
  • Vorhersage komplexer finanzieller Zeitreihen, wie Aktienkurse,
  • komplexe Mustererkennung
  • Natürliche Sprachverarbeitung
  • Empfehlungssysteme

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

  • Overfitting
  • Bias/Varianz-Abwägung
  • Voreingenommenheit in Beobachtungsdaten
  • Vergiftung von neuronalen Netzen

Angewandtes Projekt (optional)

Voraussetzungen

Für die Teilnahme an diesem Kurs gibt es keine spezifischen Voraussetzungen.

 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien