Machine Learning Training

Description

In diesem Training erfahren Sie, was Machine Learning (ML) überhaupt bedeutet. Was es mit künstlicher Intelligenz und Deep Learning zu tun hat und vor allem: Wie Sie ML mit Python bei sich im Unternehmen konkret einsetzen können. Tauchen Sie mit uns ein in diese faszinierende Welt.

Wir vermitteln alle Inhalte durch eine Mischung aus Vorträgen und dazu passenden Übungen. Für den praktischen Teil nutzen wir Jupyter Notebooks, mit denen Sie die Python-basierten Aufgaben sehr interaktiv auf einer Webseite lösen können. Die Lernumgebung steht über die Cloud zur Verfügung, kann aber auch durch Sie lokal installiert werden. Damit können Sie direkt im Anschluss mit Ihren eigenen Use Cases loslegen.

Der Schulungsinhalt ist in fünf Module (Kursdauer: 09.00 Uhr – 13:00 Uhr) aufgeteilt:

1. Jedes Modul beinhaltet in der Regel zwei Vorträge und
2. zwei Übungsaufgaben und
3. beginnt mit einer kurzen Zusammenfassung der Inhalte der vorausgegangenen Module.

Alle 5 Module kompakt buchen

1. Buchen Sie alle Module als komplettes Online-Training vergünstigt. Die Module werden dabei der Reihe nach in kurzen Abständen (eine Woche) zueinander stattfinden.
2. Kommen Sie zu einer unserer dreitägigen Schulung vor Ort. Diese finden an drei aufeinander folgenden Tagen von 09:00 Uhr – 17:00 Uhr statt.

Alle Novatec Tainings können sowohl vor Ort als auch online umgesetzt werden.

Aim

Einführung in Machine Learning

In dieem Überblick lernen Sie die Grundlagen wie Lösungen aus Daten entstehen können.

• Grundlagen des maschinellen Lernens, Problemstellung, Pipelines, Beispiele
• Wo kommen Daten her, wie muss man sie vorbereiten?

Qualitätssicherung und Überwachtes Lernen

Beliebige Funktionen können allein durch beispielhafte Ein- und Ausgaben erlernt werden. Allerdings sind sie nicht wie programmierte Funktion entweder korrekt oder fehlerhaft, sondern unterschiedlich zuverlässig.

• Evaluation von KIs: Wie gut ist meine Lösung?
• Klassische überwachte Lernverfahren (u. a. SVMs, Perceptron, Naïve Bayes, Decision Trees)

Unüberwachtes Lernen

In diesem Teilbereich des maschinellen Lernens weiß man, in Abgrenzung zu den überwachten Lernverfahren, meist weniger über die Datenbasis und will deshalb eine Struktur erlernen.

• Clustering (K-Means, DBSCAN, Hierarchical Clustering)
• Dimensionsreduktion (PCA, Manifold Learning)
• Anomalieerkennung (Local Outlier Factor, Autoencoder)

Neuronale Netzwerke

Sie sind eines der generischsten Rechenmodelle des maschinellen Lernens und lassen sich für fast jeden Anwendungsfall nutzen. Sie definieren den State of the Art in der intelligenten Verarbeitung von Bildern, Texten und strukturierten Daten.

• Bausteine Neuronaler Netzwerke: Neuronen, Schichten, Zielfunktionen, Training
• Fehleranalyse und Optimierung

Fortgeschrittene Netzwerkstrukturen

Durch neue Architekturen können Netzwerke Daten noch effizienter nutzen und zwischen verschiedenen Anwendungsfällen sogar teilen.

• Convolutional Neural Networks (CNN)
• Transfer Learning
• Recurrent Neural Networks (RNN)

Participant requirements

Das Training ist für Beginner geeignet. es werden aber Programmierkenntnisse vorausgesetzt.

Participant

Die Schulung richtet sich an Entwickler, die in Machine Learning einsteigen wollen. Es werden Programmierkenntnisse vorausgesetzt.