Machine Learning Schulungen in Schweiz

Diese von Dozierenden geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Fachkräfte mit Anfängerkenntnissen, die das Konzept vortrainierter Modelle verstehen und lernen möchten, wie man sie zur Lösung praktischer Probleme einsetzt, ohne Modelle von Grund auf neu zu entwickeln.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Das Konzept und die Vorteile vortrainierter Modelle zu verstehen.
• Verschiedene Architekturen vortrainierter Modelle sowie deren Anwendungsfälle zu erkunden.
• Ein vortrainiertes Modell für spezifische Aufgaben feinabzustimmen (Fine-Tuning).
• vortrainierte Modelle in einfachen Machine-Learning-Projekten zu implementieren.

Diese von einer Lehrperson geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Teilnehmer mit unterschiedlichem Fachwissen, die die AutoML-Plattform von Google nutzen möchten, um individualisierte Chatbots für verschiedene Anwendungen zu erstellen.

Nach Abschluss dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Grundlagen der Chatbot-Entwicklung zu verstehen.
• Sich in der Google Cloud Platform zurechtzufinden und auf AutoML zuzugreifen.
• Daten für das Training von Chatbot-Modellen vorzubereiten.
• Eigene Chatbot-Modelle mit AutoML zu trainieren und zu evaluieren.
• Chatbots in verschiedene Plattformen und Kanäle zu integrieren und bereitzustellen.
• Die Chatbot-Leistung über die Zeit zu überwachen und zu optimieren.

Diese Dozentengestützte Live-Schulung in Schweiz (online oder vor Ort) richtet sich an KI-Entwickler auf mittlerem Niveau, Machine-Learning-Ingenieure und Systemarchitekten, die ihre KI-Modelle für den Edge-Einsatz optimieren möchten.

Die Teilnehmer können nach Abschluss dieser Schulung Folgendes:

• Die Herausforderungen und Anforderungen beim Bereitstellen von KI-Modellen auf Edge-Geräten verstehen.
• Techniken zur Modellkompression anwenden, um die Grösse und Komplexität von KI-Modellen zu reduzieren.
• Quasiungsverfahren nutzen, um die Effizienz der Modelle auf Edge-Hardware zu steigern.
• Pruning und weitere Optimierungstechniken implementieren, um die Modellleistung zu verbessern.
• Optimierte KI-Modelle auf verschiedenen Edge-Geräten bereitstellen.

Diese instructor-led-Schulung in Schweiz (online oder vor Ort) richtet sich an Entwickler mit Vorkenntnissen, Data Scientists und Technikinteressierte, die praktische Fähigkeiten zur Bereitstellung von KI-Modellen auf Edge-Geräten für verschiedene Anwendungen erwerben möchten.

Am Ende dieser Schulung können Teilnehmende:

• Die Prinzipien von Edge AI und deren Vorteile verstehen.
• Die Edge-Computing-Umgebung einrichten und konfigurieren.
• KI-Modelle für den Einsatz am Edge entwickeln, trainieren und optimieren.
• Praktische KI-Lösungen auf Edge-Geräten implementieren.
• Die Leistung von am Edge bereitgestellten Modelle bewerten und verbessern.
• Ethische und sicherheitstechnische Aspekte bei Edge-AI-Anwendungen berücksichtigen.

Diese von Instruktoren geleitete, Live-Schulung in Schweiz (Online oder vor Ort) richtet sich an KI-Ingenieure und Data Scientists auf fortgeschrittenem Niveau mit mittleren bis fortgeschrittenen Kenntnissen, die ihre Fähigkeit zur Leistungssteigerung von DeepSeek-Modellen, zur Minimierung der Latenzzeit und zur effizienten Bereitstellung von KI-Lösungen mithilfe moderner MLOps-Praktiken verbessern möchten.

Nach Abschluss dieser Schulung können die Teilnehmer:

• DeepSeek-Modelle hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit optimieren.
• Beste Praktiken für MLOps und Modellversionierung umsetzen.
• DeepSeek-Modelle in Cloud- und On-Premise-Infrastrukturen bereitstellen.
• KI-Lösungen überwachen, warten und effektiv skalieren.

MLOps auf Kubernetes ist ein Framework zur Automatisierung des Trainierens, Validierens, Verpackens und Bereitstellens von Machine-Learning-Modellen mithilfe von containerisierten Pipelines und GitOps-Workflows.

Dieser vom Instructor geleitete Live-Kurs (online oder vor Ort) richtet sich an Praktiker mit mittleren Kenntnissen, die automatisierte, skalierbare MLOps-Pipelines auf Kubernetes erstellen möchten.

Nach Abschluss dieses Kurses können die Teilnehmer:

• Durchgängige CI/CD-Pipelines für maschinelles Lernen entwerfen.
• GitOps-Workflows für die Modellbereitstellung und -versionierung implementieren.
• Das Training, Testing und Verpacken von ML-Modellen automatisieren.
• Monitoring-, Alerting- und Rollback-Strategien integrieren.

Format des Kurses

• Instructor-gestützte Präsentationen und technische Vertiefungen.
• Praktische Übungen zur Erstellung realer CI/CD-Workflows.
• Live-Lab-Praxis beim Bereitstellen von ML-Arbeitslasten auf Kubernetes.

Optionen zur Kursanpassung

• Organisationen können maßgeschneiderte Inhalte anfordern, die auf ihre internen MLOps-Tools und Infrastrukturen abgestimmt sind.

Kubeflow ist eine Open-Source-Plattform zur Vereinfachung des Aufbaus, des Trainings und der Bereitstellung von Machine-Learning-Workloads auf Kubernetes.

Diese von Dozenten geleitete Live-Schulung (online oder vor Ort) richtet sich an Fachkräfte mit Grundlagen- bis Fortgeschrittenenkenntnissen, die zuverlässige ML-Workflows mit Kubeflow aufbauen möchten.

Nach Abschluss dieser Schulung werden die Teilnehmer die folgenden Fähigkeiten erworben haben:

• Das Kubeflow-Ökosystem und die Kernkomponenten navigieren.
• Reproduzierbare Workflows mit Kubeflow Pipelines erstellen.
• Skalierbare Trainings-Jobs auf Kubernetes ausführen.
• Machine-Learning-Modelle effizient mit Kubeflow Serving bereitstellen.

Format des Kurses

• Geführte Präsentationen und kollaborative Diskussionen.
• Praxisnahe Labs mit realen Kubeflow-Komponenten.
• Praktische Übungen zum Aufbau von End-to-End-ML-Workflows.

Optionen zur Kursanpassung

• Anpassungen dieser Schulung können vereinbart werden, um sie an den Technologie-Stack und die Projektanforderungen Ihres Teams anzupassen.

Bei TinyML geht es darum, optimierte Machine-Learning-Modelle auf ressourcenbeschränkten Edge-Geräten bereitzustellen.

Dieses von einer Lehrperson geleitete Live-Training (online oder vor Ort) richtet sich an technische Fachkräfte auf fortgeschrittenem Niveau, die vollständige TinyML-Pipelines entwerfen, optimieren und bereitstellen möchten.

Am Ende dieses Trainings werden die Teilnehmer wissen, wie sie:

• Datensätze für TinyML-Anwendungen sammeln, vorbereiten und verwalten.
• Modelle für stromsparende Mikrocontroller trainieren und optimieren.
• Modelle in leichte Formate konvertieren, die sich für Edge-Geräte eignen.
• TinyML-Anwendungen in realer Hardware umsetzen, testen und überwachen.

Kursformat

• Lehrpersonen-gestützte Vorträge und technische Diskussionen.
• Praktische Labore und iteratives Experimentieren.
• Praxisnahe Implementierung auf Mikrocontroller-basierten Plattformen.

Möglichkeiten zur Kursanpassung

• Um das Training mit spezifischen Toolchains, Hardwareboards oder internen Workflows anzupassen, kontaktieren Sie uns bitte für eine Arrangierung.

Diese dozentengeleitete Live-Schulung in <Ort> (online oder vor Ort) richtet sich an Entwickler, Data Scientists und KI-Experten mit mittlerem Kenntnisstand, die TensorFlow Lite für Edge-AI-Anwendungen nutzen möchten.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Die Grundlagen von TensorFlow Lite und seine Rolle in der Edge AI zu verstehen.
• KI-Modelle mit TensorFlow Lite zu entwickeln und zu optimieren.
• TensorFlow Lite-Modelle auf verschiedenen Edge-Geräten bereitzustellen.
• Werkzeuge und Techniken für die Modellkonvertierung und Optimierung anzuwenden.
• Praktische Edge-AI-Anwendungen mit TensorFlow Lite zu implementieren.

Diese von Instructors geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an professionelle Fachkräfte auf fortgeschrittenem Niveau, die die Technologien hinter autonomen Systemen beherrschen möchten.

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

• KI-Modelle für autonome Entscheidungsfindungen zu entwerfen und umzusetzen.
• Steueralgorithmen für autonome Navigation und Hindernisvermeidung zu entwickeln.
• Sicherheit und Zuverlässigkeit in KI-gestützten autonomen Systemen sicherzustellen.
• Autonome Systeme in bestehende Robotik- und KI-Frameworks zu integrieren.

Diese instruktionsgeleitete, live stattfindende Schulung in Schweiz (online oder vor Ort) richtet sich an erfahrene Fachkräfte, die ihr Verständnis der Computer Vision vertiefen und die Möglichkeiten von TensorFlow zur Entwicklung anspruchsvoller Bildverarbeitungsmodelle mit Google Colab erkunden möchten.

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

• Convolutional neural networks (CNNs) mit TensorFlow aufzubauen und zu trainieren.
• Google Colab für skalierbare und effiziente cloud-basierte Modellentwicklungen zu nutzen.
• Bildvorverarbeitungstechniken für Computer-Vision-Aufgaben zu implementieren.
• Computer-Vision-Modelle für reale Anwendungen bereitzustellen.
• Transfer Learning einzusetzen, um die Leistung von CNN-Modellen zu verbessern.
• Die Ergebnisse von Bildklassifizierungsmodellen zu visualisieren und zu interpretieren.

TinyML ist ein Ansatz zum Deployen von Machine-Learning-Modellen auf energieeffizienten, ressourcenbeschränkten Geräten am Netzwerkrand (Edge).

Diese vom Dozenten geleitete Schulung (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die TinyML-Pipelines absichern und datenschutzfreundliche Techniken in Edge-AI-Anwendungen implementieren möchten.

Nach Abschluss dieses Kurses können die Teilnehmenden:

• Sicherheitsrisiken identifizieren, die spezifisch für On-Device-Inferenz mit TinyML sind.
• Mechanismen zum Schutz der Privatsphäre für Edge-AI-Bereitstellungen implementieren.
• TinyML-Modelle und eingebettete Systeme gegen adversarielle Bedrohungen härten.
• Best Practices für die sichere Datenverarbeitung in ressourcenbeschränkten Umgebungen anwenden.

Kursformat

• Ansprechende Vorträge, ergänzt durch expertengeleitete Diskussionen.
• Praxisübungen mit Fokus auf realen Bedrohungsszenarien.
• Praktische Umsetzung mittels eingebetteter Sicherheits- und TinyML-Tools.

Optionen zur Kursanpassung

• Organisationen können eine auf ihre spezifischen Sicherheits- und Compliance-Anforderungen zugeschnittene Version dieser Schulung anfordern.

Diese instructor-led-Schulung in Schweiz (online oder vor Ort) richtet sich an professionelle Teilnehmer mit fortgeschrittenem Wissen, die ihr Verständnis von Machine-Learning-Modellen vertiefen, ihre Fähigkeiten im Hyperparameter-Tuning verbessern und lernen möchten, wie sie Modelle effektiv mit Google Colab bereitstellen können.

Am Ende dieser Schulung sind die Teilnehmer in der Lage:

• Fortgeschrittene Machine-Learning-Modelle mit beliebten Frameworks wie Scikit-learn und TensorFlow zu implementieren.
• Die Modellleistung durch Hyperparameter-Tuning zu optimieren.
• Machine-Learning-Modelle in realen Anwendungen mit Google Colab zu deployen.
• An grossmasstäblichen Machine-Learning-Projekten in Google Colab zusammenzuarbeiten und sie zu verwalten.

Diese vom Dozenten geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an professionelle Teilnehmer mit mittlerem Erfahrungslevel, die KI-Techniken anwenden möchten, um das Ertragsmanagement in der Halbleiterfertigung zu optimieren.

Am Ende dieser Schulung können die Teilnehmenden:

• Produktionsdaten analysieren, um Faktoren zu identifizieren, die sich auf die Ausbeute auswirken.
• KI-Algorithmen implementieren, um die Ertragsmanagementprozesse zu verbessern.
• Produktionsparameter optimieren, um Defekte zu reduzieren und die Ausbeute zu steigern.
• KI-gestütztes Ertragsmanagement in bestehende Produktionsabläufe integrieren.

Diese von Instrukteuren geleitete, live stattfindende Schulung in Schweiz (online oder vor Ort) richtet sich an Berufstätige im Geschäftsbereich und in der KI mit mittlerem Niveau, die maschinelles Lernen in Geschäftsprozessen, Prognosen und KI-gesteuerten Systemen unter Verwendung realer Fallstudien und Python-basierter Tools anwenden möchten.

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

• Zu verstehen, wie maschinelles Lernen in die KI-Strategie und Unternehmensstrategie eingebettet ist.
• Überwachte und unüberwachte Lernverfahren auf strukturierte geschäftliche Probleme anzuwenden.
• Daten für das Modellieren vorzubereiten und zu transformieren.
• Neuronale Netze für Klassifizierungs- und Vorhersageaufgaben einzusetzen.
• Umsatzprognosen mit statistischen und ML-basierten Methoden durchzuführen.
• Clustering und Assoziationsregel-Mining für Kundensegmentierung und Mustererkennung zu implementieren.

Dieser live-geleitete Schulungskurs in Schweiz (online oder vor Ort) richtet sich an Fachkräfte mit mittlerem Niveau, die KI-gestützte Techniken der vorausschauenden Wartung in der Halbleiterindustrie anwenden möchten, um die Produktionseffizienz zu steigern und unerwartete Geräteausfälle zu reduzieren.

Nach Abschluss dieser Schulung können die Teilnehmenden:

• KI-Modelle zur Vorhersage von Geräteausfällen in der Halbleiterindustrie implementieren.
• Wartungsdaten analysieren, um Muster und Trends zu identifizieren, die auf potenzielle Probleme hinweisen.
• KI-gestützte vorausschauende Wartung in bestehende Fertigungsabläufe integrieren.
• Stillstandszeiten und Wartungskosten durch proaktives Geräte-Management reduzieren.

Dieser von einem Dozenten geleitete Live-Trainingskurs in Schweiz (online oder vor Ort) richtet sich an erfahrene Fachkräfte, die neueste KI-Techniken in der Automatisierung des Halbleiterdesigns anwenden möchten, um Effizienz, Genauigkeit und Innovation im Chipdesign und bei der Verifikation zu steigern.

Die Teilnehmer können am Ende dieses Trainings:

• Fortgeschrittene KI-Techniken zur Optimierung von Halbleiterdesign-Prozessen anwenden.
• Machine-Learning-Modelle in EDA-Werkzeuge integrieren, um das Design zu verbessern.
• KI-gestützte Lösungen für komplexe Design-Herausforderungen bei der Chipfertigung entwickeln.
• Neuronale Netze nutzen, um die Genauigkeit und Geschwindigkeit der Design-Automatisierung zu verbessern.

Diese von Dozenten geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Data Scientists und Entwickler mit mittlerem Know-how, die tiefe Lernverfahren im Google Colab-Umfeld verstehen und anwenden möchten.

Am Ende dieser Schulung sind die Teilnehmer in der Lage:

• Google Colab für Deep-Learning-Projekte einzurichten und zu navigieren.
• Die Grundlagen neuronaler Netze zu verstehen.
• Deep Learning-Modelle mit TensorFlow zu implementieren.
• Deep-Learning-Modelle zu trainieren und zu evaluieren.
• Erweiterte Funktionen von TensorFlow für Deep Learning zu nutzen.

Diese dozentengestützte, live erfolgende Schulung in Schweiz (online oder vor Ort) richtet sich an Fachkräfte mit mittlerem Niveau, die KI-Techniken verstehen und anwenden möchten, um Halbleiterfertigungsprozesse zu optimieren.

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

• KI-Methoden zur Prozessoptimierung in der Chipfertigung zu verstehen.
• KI-Modelle zur Erhöhung der Ausbeute und Reduzierung von Defekten umzusetzen.
• Prozessdaten zu analysieren, um Schlüsselparameter für die Optimierung zu identifizieren.
• Maschinelle Lernalgorithmen zur Feinabstimmung von Halbleiterherstellungsprozessen einzusetzen.

Dieses von einem Dozenten geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Teilnehmer auf mittlerem Niveau, die Machine-Learning-Workflows automatisieren und verwalten möchten, darunter das Training, die Validierung und die Bereitstellung von Modellen mit Apache Airflow.

Nach Abschluss dieses Trainings können die Teilnehmer:

• Apache Airflow für die Orchestrierung von Machine-Learning-Workflows einrichten.
• Datenvorverarbeitung, Modelltraining und Validierungsaufgaben automatisieren.
• Airflow in Machine-Learning-Frameworks und -Tools integrieren.
• Machine-Learning-Modelle über automatisierte Pipelines bereitstellen.
• Machine-Learning-Workflows in der Produktion überwachen und optimieren.

Dieses live dozierte Training in Schweiz (online oder vor Ort) richtet sich an Data Scientists und Entwickler mit mittlerem Kenntnisstand, die maschinelles Lernen effizient in der Google Colab-Umgebung anwenden möchten.

Nach Abschluss dieses Trainings sind die Teilnehmenden in der Lage:

• Google Colab für maschinelle Lernprojekte einzurichten und darin zu navigieren.
• Verschiedene Algorithmen des maschinellen Lernens zu verstehen und anzuwenden.
• Bibliotheken wie Scikit-learn zur Analyse und Vorhersage von Daten zu nutzen.
• Modelle des überwachten und unüberwachten Lernens zu implementieren.
• Maschinelle Lernmodelle effektiv zu optimieren und zu evaluieren.

TinyML bezeichnet das Bereitstellen von Machine-Learning-Modellen auf hardwareseitig stark eingeschränkten Geräten.

Dieser Instructor-led-Training (online oder vor Ort) richtet sich an fortgeschrittene Fachkräfte, die TinyML-Modelle für eine latenzarme und speichereffiziente Bereitstellung auf eingebetteten Geräten optimieren möchten.

Nach Abschluss dieses Trainings können die Teilnehmer:

• Quantisierung, Pruning und Komprimierungstechniken anwenden, um die Modellgröße zu reduzieren, ohne dabei an Genauigkeit einzubüssen.
• TinyML-Modelle hinsichtlich Latenz, Speicherverbrauch und Energieeffizienz benchmarken.
• optimierte Inferenz-Pipelines auf Mikrocontrollern und Edge-Geräten implementieren.
• Abwägungen zwischen Leistung, Genauigkeit und Hardware-Einschränkungen bewerten.

Kursformat

• Instructor-led-Präsentationen, unterstützt durch technische Demonstrations.
• Praktische Optimierungsübungen und vergleichende Leistungstests.
• Hands-on-Implementierung von TinyML-Pipelines in einer kontrollierten Laborumgebung.

Möglichkeiten zur Kursanpassung

• Für massgeschneiderte Schulungen, die auf spezifische Hardware-Plattformen oder interne Prozesse abgestimmt sind, kontaktieren Sie uns bitte, um das Programm anzupassen.

Diese instruktionsgeleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Fortgeschrittene, die state-of-the-art-XAI-Techniken für Deep-Learning-Modelle erkunden möchten, mit dem Fokus auf den Aufbau interpretierbarer KI-Systeme.

Nach Abschluss dieser Schulung werden die Teilnehmenden in der Lage sein:

• Die Herausforderungen der Erklärbarkeit im Deep Learning zu verstehen.
• Fortschrittliche XAI-Techniken für neuronale Netze zu implementieren.
• Entscheidungen von Deep-Learning-Modellen zu interpretieren.
• Die Abwägung zwischen Leistung und Transparenz zu bewerten.

Dieses vom Dozenten geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Anfänger, die KI-Technologien in der Halbleiterfertigungsindustrie verstehen und anwenden möchten.

Am Ende dieses Trainings werden die Teilnehmer:

• Die Grundprinzipien von KI verstehen und wissen, wie sie auf die Halbleiterfertigung angewendet werden.
• Bereiche in der Halbleiterfertigung identifizieren, wo KI effektiv eingesetzt werden kann.
• KI-Tools und -Techniken nutzen, um Produktionseffizienz und Qualitätskontrolle zu verbessern.
• Einfache KI-Modelle implementieren, um Fertigungsprozesse zu optimieren.

Docker ist eine Containerisierungsplattform, die zum Aufbau reproduzierbarer, portabler und skalierbarer Umgebungen für ML-Systeme verwendet wird.

Dieses instruktionsgeleitete Live-Training (online oder vor Ort) richtet sich an technische Fachkräfte mit mittlerem bis fortgeschrittenem Kenntnisstand, die vollständige ML-Pipelines mit Docker containerisieren und in Betrieb nehmen möchten.

Nach Abschluss dieses Trainings können die Teilnehmenden:

• ML-Workloads für Training, Validierung und Inferenz containerisieren.
• End-to-End-ML-Pipelines mit Docker und unterstützenden Tools entwerfen und orchestrieren.
• Versionierung, Reproduzierbarkeit sowie CI/CD für ML-Komponenten implementieren.
• ML-Dienste in containerisierten Umgebungen bereitstellen, überwachen und skalieren.

Kursformat

• Interaktive Vorträge unterstützt durch praktische Demonstrationen.
• Praktische Übungen zum Aufbau realistischer ML-Pipeline-Komponenten.
• Live-Lab-Implementierung für End-to-End-Containerarbeitsabläufe.

Möglichkeiten zur Kursanpassung

• Für angepasste Schulungen, die auf spezifische ML-Infrastrukturbedürfnisse abgestimmt sind, kontaktieren Sie uns bitte, um Optionen zu besprechen.

Diese live durchgeführte Schulung in Schweiz (online oder vor Ort) richtet sich an Data Scientists und Entwickler, die ML.NET-Machine-Learning-Modelle nutzen möchten, um automatisch Projektionen aus durchgeführten Datenanalysen für Unternehmensanwendungen abzuleiten.

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

• ML.NET zu installieren und in die Anwendungs-Entwicklungsumgebung zu integrieren.
• Die dem ML.NET-Tool und den Algorithmen zugrunde liegenden Prinzipien des Maschinellen Lernens zu verstehen.
• Machine-Learning-Modelle zu erstellen und zu trainieren, um mit den bereitgestellten Daten intelligente Vorhersagen zu treffen.
• Die Leistung eines Machine-Learning-Modells anhand der ML.NET-Metriken zu bewerten.
• Die Genauigkeit bestehender Machine-Learning-Modelle auf Basis des ML.NET-Frameworks zu optimieren.
• Die ML.NET-Konzepte des Maschinellen Lernens auf andere Data-Science-Anwendungen anzuwenden.

Dieser von einem Dozenten geleitete Live-Kurs in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Datentechniker, die Maschin Lernverfahren auf datengestützte geschäftliche Probleme anwenden möchten, einschließlich Umsatzprognosen und prädiktiver Modellierung mit neuronalen Netzen.

Am Ende dieses Kurses werden die Teilnehmer:

• Die grundlegenden Konzepte und Arten des Maschinellen Lernens verstehen.
• Wichtige Algorithmen für Klassifizierung, Regression, Clusterbildung und Assoziationsanalyse anwenden.
• Datenexploration und Datenvorbereitung mit Python durchführen.
• Neuronale Netze für nichtlineare Modellierungsaufgaben nutzen.
• Predictive Analytik zur Umsatzprognose einschließlich Verkaufsdaten implementieren.
• Die Leistung von Modellen durch visuelle und statistische Techniken evaluieren und optimieren.

Diese instruktionsgeleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Data Scientists und Machine Learning Engineers mit fortgeschrittenem bis mittlerem Kenntnisstand, Deep-Learning-Forschende sowie Expertinnen und Experten für Computer Vision, die ihre Kenntnisse und Fähigkeiten im Bereich des Deep Learnings für die Text-zu-Bild-Generierung erweitern möchten.

Abschliessend werden die Teilnehmenden in der Lage sein:

• Fortgeschrittene Architekturen und Techniken des Deep Learnings für die Text-zu-Bild-Generierung zu verstehen.
• Komplexe Modelle und Optimierungen zur Erstellung hochwertiger Bilder zu implementieren.
• Die Leistung und Skalierbarkeit für grosse Datensätze und komplexe Modelle zu optimieren.
• Hyperparameter für eine bessere Modellleistung und Generalisierung einzustellen.
• Stable Diffusion in andere Deep-Learning-Frameworks und Tools zu integrieren

Diese durch eine Lehrkraft geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Cybersicherheitsfachleute auf fortgeschrittenem bis fortgeschrittenem Niveau, die ihre Fähigkeiten im Bereich der KI-gesteuerten Bedrohungserkennung und Incident-Response erweitern möchten.

Am Ende dieser Schulung können die Teilnehmenden:

• Fortgeschrittene KI-Algorithmen für die Echtzeit-Bedrohungserkennung implementieren.
• KI-Modelle auf spezifische Cybersicherheits-Herausforderungen zuschneiden.
• Automatisierungswerkflösse für die Bedrohungsabwehr entwickeln.
• KI-gestützte Sicherheitswerkzeuge gegen adversäre Angriffe absichern.

Dieser live geleitete Kurs in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Embedded-System-Ingenieure und KI-Entwickler, die maschinellearbeitende Modelle mit TensorFlow Lite und Edge Impulse auf Mikrocontrollern bereitstellen möchten.

Nach Abschluss dieses Trainings können die Teilnehmer:

• Die Grundlagen von TinyML und dessen Vorteile für Edge-KI-Anwendungen verstehen.
• Eine Entwicklungsumgebung für TinyML-Projekte einrichten.
• KI-Modelle auf stromsparenden Mikrocontrollern trainieren, optimieren und bereitstellen.
• TensorFlow Lite und Edge Impulse nutzen, um reale TinyML-Anwendungen zu implementieren.
• KI-Modelle hinsichtlich Energieeffizienz und Speichereinschränkungen optimieren.

Diese von einer Lehrkraft geleitete Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Berufseinsteiger im Bereich der Cybersicherheit, die erlernen möchten, wie sie KI nutzen können, um ihre Fähigkeiten zur Bedrohungserkennung und -abwehr zu verbessern.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• KI-Anwendungen im Bereich der Cybersicherheit zu verstehen.
• KI-Algorithmen zur Bedrohungserkennung zu implementieren.
• Das Incident Response-Management mit KI-Tools zu automatisieren.
• KI in die bestehende Cybersicherheitsinfrastruktur zu integrieren.

Diese instructor-led, live-Schulung in Schweiz (online oder vor Ort) richtet sich an Biologinnen und Biologen, die verstehen möchten, wie AlphaFold funktioniert, und AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien nutzen möchten.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• die grundlegenden Prinzipien von AlphaFold zu verstehen.
• nachzuvollziehen, wie AlphaFold funktioniert.
• AlphaFold-Vorhersagen und -Ergebnisse zu interpretieren.

Diese von einer Lehrkraft geleitete Live-Schung in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Datenanalysten, die lernen möchten, wie sie RapidMiner zur Schätzung und Projektion von Werten sowie zur Nutzung analytischer Werkzeuge für die Zeitreihenprognose einsetzen können.

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

• Die CRISP-DM-Methodik anzuwenden, geeignete Algorithmen des maschinellen Lernens auszuwählen und den Modellaufbau sowie die Leistungsfähigkeit zu verbessern.
• RapidMiner zur Schätzung und Projektion von Werten einzusetzen und analytische Werkzeuge für die Zeitreihenprognose zu nutzen.

Dieses von Instruktoren geleitete Live-Training (online oder vor Ort) richtet sich an Data Scientists, Machine Learning Engineers und Computer-Vision-Forschende, die Stable Diffusion nutzen möchten, um hochwertige Bilder für verschiedene Anwendungsfälle zu generieren.

Nach Abschluss dieses Trainings können Teilnehmende:

• Die Prinzipien von Stable Diffusion verstehen und nachvollziehen, wie es zur Bildgenerierung funktioniert.
• Stable-Diffusion-Modelle für Aufgaben der Bildgenerierung erstellen und trainieren.
• Stable Diffusion auf verschiedene Szenarien der Bildgenerierung anwenden, wie z. B. Inpainting, Outpainting und Image-to-Image-Translation.
• Die Leistung und Stabilität von Stable-Diffusion-Modellen optimieren.

Dieser von einem Dozenten geleitete Live-Kurs in Schweiz (online oder vor Ort) richtet sich an Ingenieurinnen und Ingenieure sowie Data Scientists der Einstiegsstufe, die ein fundiertes Verständnis der TinyML-Grundlagen erwerben, Anwendungsmöglichkeiten erkunden und KI-Modelle auf Mikrocontrollern implementieren möchten.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• Die Grundlagen von TinyML und dessen Bedeutung zu verstehen.
• Leichtgewichtige KI-Modelle auf Mikrocontrollern und Edge-Geräten bereitzustellen.
• Maschinelle Lernmodelle für einen geringen Energieverbrauch zu optimieren und feinabzustimmen.
• TinyML in konkreten Anwendungen wie Gestenerkennung, Anomalieerkennung und Audiobearbeitung einzusetzen.

Ziel dieses Kurses ist es, allgemeine Kompetenzen im praktischen Einsatz von Methoden des Maschinellen Lernens zu vermitteln. Anhand der Programmiersprache Python und ihrer zahlreichen Bibliotheken sowie einer Vielzahl praktischer Beispiele werden die wichtigsten Bausteine des Maschinellen Lernens behandelt. Die Teilnehmenden lernen, wie sie Entscheidungen zur Datenmodellierung treffen, die Ausgaben der Algorithmen interpretieren und die Ergebnisse validieren können.

Unser Ziel ist es, Ihnen die Fähigkeiten zu vermitteln, um die grundlegenden Werkzeuge aus dem Werkzeugkasten des Maschinellen Lernens sicher zu verstehen und anzuwenden sowie häufige Fallstricke bei Anwendungen der Datenwissenschaft zu vermeiden.

Das Kursangebot "Angewandte KI von Grund auf mit Python" vermittelt Programmierern und Datenanalysten grundlegende Techniken zum Aufbau von Machine-Learning-Lösungen aus der Mitte heraus mit Python. Es werden die Kernprinzipien des überwachten Lernens (Klassifikation und Regression), des unüberwachten Lernens (Clustering und Anomalieerkennung) sowie fortschrittlicher neuronalen Netzwerkarchitekturen behandelt. Der Kurs untersucht bewährte Methoden für den Umgang mit scikit-learn, Apache Spark MLlib und Jupyter-Notebooks zur praktischen KI-Entwicklung. Er unterstützt Fachkräfte dabei, praktische ML-Modelle zu implementieren, die Grenzen von Algorithmen zu bewerten und angewandte Projekte zur Lösung realer Probleme abzuschließen.

Deep Reinforcement Learning (DRL) verbindet die Prinzipien des Verstärkungslernens mit Architekturen des Deep Learnings, um Agenten in die Lage zu versetzen, durch Interaktion mit ihrer Umgebung Entscheidungen zu treffen. Es bildet die Grundlage für viele moderne KI-Fortschritte wie autonome Fahrzeuge, Robotiksteuerung, algorithmischen Handel und adaptive Empfehlungssysteme. DRL ermöglicht es einem künstlichen Agenten, Strategien zu erlernen, Richtlinien zu optimieren und autonome Entscheidungen basierend auf Versuch und Irrtum mittels belohnungsbasierten Lernens zu treffen.

Diese von Instruktoren geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler und Data Scientists mit mittlerem Kenntnisstand, die die Techniken des Deep Reinforcement Learning erlernen und anwenden möchten, um intelligente Agenten zu entwickeln, die in der Lage sind, autonome Entscheidungen in komplexen Umgebungen zu treffen.

Nach Abschluss dieser Schulung werden die Teilnehmer in der Lage sein:

• Die theoretischen Grundlagen und mathematischen Prinzipien des Verstärkungslernens zu verstehen.
• Wichtige RL-Algorithmen, einschließlich Q-Learning, Policy Gradients und Actor-Critic-Methoden, zu implementieren.
• Deep Reinforcement Learning-Agenten mit TensorFlow oder PyTorch zu erstellen und zu trainieren.
• DRL auf reale Anwendungen wie Spiele, Robotik und Entscheidungsfindungsoptimierung anzuwenden.
• Die Trainingsleistung mit modernen Tools zu debuggen, zu visualisieren und zu optimieren.

Formaat des Kurses

• Interaktive Vorträge und geführte Diskussionen.
• Praxisnahe Übungen und praktische Implementierungen.
• Live-Coding-Demonstrationen und projektbasierte Anwendungen.

Möglichkeiten zur Anpassung des Kurses

• Um eine maßgeschneiderte Version dieses Kurses anzufordern (z. B. unter Verwendung von PyTorch anstelle von TensorFlow), kontaktieren Sie uns bitte zur Vereinbarung.

Die Grundlagen der künstlichen Intelligenz zu erforschen, zeigt auf, wie intelligente Technologie die digitale Strategie, Automatisierung und Entscheidungsfindung in unternehmerischen Abläufen verändert. Behandelt Kernkonzepte aus KI-Geschichte, Problemlösungsrahmenwerken, Wissensrepräsentation, unsicherer Schlussfolgerung und Lernparadigmen sowie Kommunikation, Wahrnehmung und autonomes Handeln. Führt Geschäftsleiter und Architekten dabei an, KI-gesteuerte Transformationsmöglichkeiten zu bewerten, neue Technologietrends zu analysieren und praktische intelligente Lösungen zu integrieren, um die unternehmerische Agilität zu steigern.

Dieser Kurs behandelt KI (mit Schwerpunkt auf maschinellem Lernen und Deep Learning) in der Automobilindustrie. Er hilft dabei zu bestimmen, welche Technologie (potenziell) in verschiedenen Situationen im Auto eingesetzt werden kann: von einfacher Automatisierung und Bilderkennung bis hin zu autonomen Entscheidungsprozessen.

Dieses 8-tägige Programm bietet einen vollständigen Weg von soliden Grundlagen in der Python-Engineering bis hin zum fortgeschrittenen Design von KI-Systemen. Die Teilnehmenden entwickeln disziplinierte Coding-Praktiken, meistern statistische und Deep-Learning-Methoden und bauen productionsreife generative KI- und agentenbasierte Systeme auf. Der Fokus liegt auf Zuverlässigkeit, Evaluierung, Sicherheit und Echtzeit-Einsatz statt ausschliesslich auf Experimenten.

Künstliche neuronale Netze sind computergestützte Datenmodelle, die bei der Entwicklung von künstlichen Intelligenz (KI)-Systemen eingesetzt werden, welche in der Lage sind, «intelligente» Aufgaben auszuführen. Neuronale Netze kommen häufig in Anwendungen des Maschinellen Lernens (ML) zum Einsatz, das selbst eine Implementierungsmöglichkeit der KI darstellt. Deep Learning ist eine Teilmenge des ML.

 Steigern Sie Ihre Datenwissenschaftskompetenzen mit diesem umfassenden Schulungskurs zum Maschinellen Lernen, der die wichtigsten Algorithmen abdeckt, darunter Naive Bayes, Entscheidungsbaummodelle, Neuronale Netze, Support Vector Machines und Clustering-Techniken. Machen Sie praktische Erfahrungen mit den theoretischen Grundlagen und ihrer Anwendung anhand realer Beispiele. Ideal für Datenanalysten, Softwareentwickler, KI-Interessierte und Fachkräfte aus der Wirtschaft, die ML-Lösungen in der Praxis anwenden möchten. Erlernen Sie Leistungsmaße für Klassifikationsmodelle, Kreuzvalidierung, Bias-Variance Tradeoff und Grundlagen des Deep Learnings, um robuste Vorhersagemodelle aufzubauen.

Diese vom Dozent geleitete, live stattfindende Schulung in Schweiz (online oder vor Ort) bietet eine Einführung in die Felder der Mustererkennung und des maschinellen Lernens. Dabei werden praktische Anwendungen in den Bereichen Statistik, Informatik, Signalverarbeitung, Computer Vision, Data Mining und Bioinformatik behandelt.

Nach Abschluss dieser Schulung werden die Teilnehmer fähig sein:

• Grundlegende statistische Methoden auf die Mustererkennung anzuwenden.
• Schlüsselmodelle wie neuronale Netze und Kernel-Methoden für die Datenanalyse zu verwenden.
• Fortschrittliche Techniken zur Lösung komplexer Probleme zu implementieren.
• Die Vorhersagegenauigkeit durch die Kombination verschiedener Modelle zu verbessern.

Diese instructor-led-Live-Schulung in Schweiz (online oder vor Ort) richtet sich an Data Scientists, die TensorFlow nutzen möchten, um potenzielle Betrugsdaten zu analysieren.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• Ein Betrugserkennungsmodell mit Python und TensorFlow zu erstellen.
• Lineare Regressionen und Modelle der linearen Regression zur Betrugsprognose aufzubauen.
• Eine durchgängige KI-Anwendung zur Analyse von Betrugsdaten zu entwickeln.

Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz, bei dem Computer in der Lage sind, zu lernen, ohne explizit dafür programmiert zu werden.

Deep Learning ist ein Unterbereich des maschinellen Lernens, der Methoden nutzt, die auf dem Lernen von Datenrepräsentationen und -strukturen basieren, wie beispielsweise neuronale Netzwerke.

Python ist eine hochrangige Programmiersprache, die für ihre klare Syntax und gute Lesbarkeit des Codes bekannt ist.

In diesem von Dozenten geleiteten Live-Training lernen die Teilnehmenden, wie sie Deep-Learning-Modelle für Telekommunikationsanwendungen mit Python implementieren können, indem sie Schritt für Schritt ein Deep-Learning-Credit-Risk-Modell erstellen.

Nach Abschluss dieses Trainings sind die Teilnehmenden in der Lage:

• die grundlegenden Konzepte von Deep Learning zu verstehen.
• die Anwendungen und Einsatzmöglichkeiten von Deep Learning in der Telekommunikation kennenzulernen.
• Python, Keras und TensorFlow zur Erstellung von Deep-Learning-Modellen für die Telekommunikation zu nutzen.
• ein eigenes Deep-Learning-Modell zur Vorhersage der Kundenabwanderung (Customer Churn) mit Python zu entwickeln.

Kursformat

• Interaktiver Vortrag und Diskussion.
• Umfangreiche Übungen und Praxisphasen.
• Praktische Umsetzung in einer Live-Lab-Umgebung.

Möglichkeiten zur Kursanpassung

• Um einen individuellen Trainingsskurs für diesen Kurs zu beantragen, kontaktieren Sie uns bitte, um die Details zu vereinbaren.

Dieses praxisorientierte, von einem Dozenten geleitete Training dient als natürlicher Fortsetzungskurs zum Kurs Python for Data Analysis.

Es vermittelt den Teilnehmern die Kernkonzepte des Machine Learnings und zeigt auf, wie diese direkt auf Datenanalyseaufgaben wie Vorhersage, Klassifizierung und Segmentierung angewendet werden können.

Der Fokus liegt darauf zu verstehen, wie Machine Learning in der Praxis funktioniert, wobei vertraute Tools wie Python, Pandas und Jupyter Notebook zum Einsatz kommen, ohne dass ein fortgeschrittenes mathematisches Wissen erforderlich ist.

Dieses unter Anleitung durchgeführte Live-Training in Schweiz (online oder vor Ort) richtet sich an Ingenieurinnen und Ingenieure, die die aktuell verfügbaren Ansätze und Werkzeuge evaluieren möchten, um eine fundierte Entscheidung über den weiteren Weg zur Einführung von MLOps in ihrer Organisation zu treffen.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Verschiedene MLOps-Frameworks und -Werkzeuge zu installieren und zu konfigurieren.
• Ein Team mit den richtigen Kompetenzen für den Aufbau und die Unterstützung eines MLOps-Systems zusammenzustellen.
• Daten für die Nutzung durch ML-Modelle vorzubereiten, zu validieren und zu versionieren.
• Die Komponenten einer ML-Pipeline sowie die dafür benötigten Werkzeuge zu verstehen.
• Verschiedene Frameworks und Server für maschinelles Lernen zur Bereitstellung in der Produktion zu evaluieren.
• Den gesamten Prozess des maschinellen Lernens betriebsbereit zu machen, sodass er reproduzierbar und wartbar ist.

Dieser instructor-led-Training in Schweiz (online oder vor Ort) richtet sich an fortgeschrittene Data Analysten, Entwickler oder angehende Data Scientists, die maschinelles Lernen mit Python anwenden möchten, um Erkenntnisse zu gewinnen, Vorhersagen zu treffen und datenbasierte Entscheidungen zu automatisieren.

Nach Abschluss dieses Kurses können die Teilnehmer:

• Die wichtigsten Paradigmen des maschinellen Lernens verstehen und unterscheiden.
• DatenvorverarbeitungsTechniken und ModellbewertungsMetriken erkunden.
• MaschinenLernAlgorithmen zur Lösung von realen Datenproblemen anwenden.
• Python-Bibliotheken und Jupyter Notebooks für praktische Entwicklungen nutzen.
• Modelle für Vorhersagen, Klassifikation, Empfehlungssysteme und Clustering erstellen.

Diese von einem Dozent:in geleitete Live-Training in Schweiz (online oder vor Ort) richtet sich an Entwickler:innen und Data Scientists, die TensorFlow 2.x nutzen möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netze und dergleichen zu erstellen.

Nach Abschluss dieses Trainings können die Teilnehmer:

• TensorFlow 2.x installieren und konfigurieren.
• Die Vorteile von TensorFlow 2.x gegenüber früheren Versionen verstehen.
• Tiefgehende Lernmodelle erstellen.
• einen fortgeschrittenen Bildklassifizierer implementieren.
• ein Deep-Learning-Modell in der Cloud sowie auf mobilen Geräten und IoT-Geräten bereitstellen.

Dieser Kurs vermittelt Ihnen zunächst das konzeptionelle Grundlagenwissen über neuronale Netze und allgemein über Algorithmen des maschinellen Lernens sowie des Deep Learning (Algorithmen und Anwendungen).

Der erste Teil (40 %) dieser Schulung konzentriert sich stärker auf die Grundlagen, hilft Ihnen jedoch auch dabei, die richtige Technologie auszuwählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Der zweite Teil (20 %) dieser Schulung stellt Theano vor – eine Python-Bibliothek, das das Entwickeln von Deep-Learning-Modellen erheblich erleichtert.

Der dritte Teil (40 %) der Schulung basiert umfangreich auf TensorFlow – der API für Googles Open-Source-Softwarebibliothek für Deep Learning. Alle Beispiele und praktischen Übungen werden in TensorFlow umgesetzt.

Zielgruppe

Dieser Kurs richtet sich an Ingenieurinnen und Ingenieure, die TensorFlow für ihre Deep-Learning-Projekte nutzen möchten.

Nach Abschluss dieses Kurses können die Teilnehmenden:

• ein gutes Verständnis für Deep Neural Networks (DNN), CNN und RNN aufweisen
• die Struktur und Bereitstellungsmethoden von TensorFlow verstehen
• Installations-, Produktionsumgebungs- und Architekturaufgaben sowie Konfigurationen durchführen
• Codequalität beurteilen, Debugging betreiben und Monitoring durchführen
• fortgeschrittene produktionsnahe Aufgaben wie das Trainieren von Modellen, das Erstellen von Graphen und Logging umsetzen