Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in angewandtes Machine Learning
- Statistisches Lernen vs. Maschinelles Lernen
- Iteration und Bewertung
- Bias-Varianz-Abgleich
- Überwachtes vs. unüberwachtes Lernen
- Mit Machine Learning gelöste Probleme
- Train Validation Test - ML-Arbeitsablauf zur Vermeidung von Overfitting
- Arbeitsablauf von Machine Learning
- Algorithmen für maschinelles Lernen
- Auswahl eines geeigneten Algorithmus für das Problem
Algorithmus-Bewertung
- Evaluierung numerischer Vorhersagen
- Maße für die Genauigkeit: ME, MSE, RMSE, MAPE
- Stabilität der Parameter und Vorhersagen
- Bewertung von Klassifizierungsalgorithmen
- Genauigkeit und ihre Probleme
- Die Konfusionsmatrix
- Das Problem der unausgewogenen Klassen
- Visualisierung der Modellleistung
- Gewinnkurve
- ROC-Kurve
- Lift-Kurve
- Modell-Auswahl
- Modellabstimmung - Rastersuchstrategien
Datenvorbereitung für die Modellierung
- Datenimport und -speicherung
- Verstehen der Daten - grundlegende Untersuchungen
- Datenmanipulationen mit der Pandas-Bibliothek
- Datentransformationen - Datenmanipulation
- Explorative Analyse
- Fehlende Beobachtungen - Erkennung und Lösungen
- Ausreißer - Erkennung und Strategien
- Standardisierung, Normalisierung, Binarisierung
- Qualitative Datenumkodierung
Algorithmen für maschinelles Lernen zur Erkennung von Ausreißern
- Überwachte Algorithmen
- KNN
- Ensemble-Gradient-Boosting
- SVM
- Unüberwachte Algorithmen
- Abstandsbezogene Verfahren
- Dichte-basierte Methoden
- Probabilistische Methoden
- Modellbasierte Methoden
Verständnis von Deep Learning
- Überblick über die grundlegenden Konzepte von Deep Learning
- Unterscheidung zwischen Machine Learning und Deep Learning
- Überblick über Anwendungen für Deep Learning
Überblick über Neural Networks
- Was sind Neural Networks
- Neural Networks vs. Regressionsmodelle
- Verstehen der Mathematical Grundlagen und Lernmechanismen
- Konstruktion eines künstlichen neuronalen Netzes
- Verstehen neuronaler Knoten und Verbindungen
- Arbeiten mit Neuronen, Schichten und Eingabe- und Ausgabedaten
- Einschichtige Perceptrons verstehen
- Unterschiede zwischen überwachtem und unüberwachtem Lernen
- Lernen mit Vorwärts- und Rückkopplung Neural Networks
- Verstehen von Forward Propagation und Back Propagation
Erstellen einfacher Deep Learning Modelle mit Keras
- Erstellen eines Keras-Modells
- Verstehen Ihrer Daten
- Spezifizieren Ihres Deep Learning-Modells
- Kompilieren Ihres Modells
- Anpassen Ihres Modells
- Arbeiten mit Ihren Klassifizierungsdaten
- Arbeiten mit Klassifikationsmodellen
- Verwendung Ihrer Modelle
Arbeiten mit TensorFlow für Deep Learning
- Vorbereiten der Daten
- Herunterladen der Daten
- Vorbereiten der Trainingsdaten
- Vorbereiten von Testdaten
- Eingaben skalieren
- Verwenden von Platzhaltern und Variablen
- Festlegen der Netzwerkarchitektur
- Verwendung der Kostenfunktion
- Verwendung des Optimierers
- Verwendung von Initialisierern
- Anpassen des neuronalen Netzes
- Aufbau des Graphen
- Inferenz
- Verlust
- Ausbildung
- Training des Modells
- Der Graph
- Die Sitzung
- Schleife trainieren
- Auswerten des Modells
- Aufbau des Auswertungsgraphen
- Auswertung mit Eval Output
- Modelle in großem Maßstab trainieren
- Visualisieren und Auswerten von Modellen mit TensorBoard
Anwendung von Deep Learning in der Anomalie-Erkennung
- Autoencoder
- Kodierer - Dekodierer Architektur
- Rekonstruktionsverlust
- Variierender Autokodierer
- Variationale Inferenz
- Generatives adversariales Netzwerk
- Generator-Diskriminator-Architektur
- Ansätze für AN unter Verwendung von GAN
Ensemble-Frameworks
- Kombinieren von Ergebnissen aus verschiedenen Methoden
- Bootstrap Aggregieren
- Mittelwertbildung der Ausreißerwertung
Voraussetzungen
- Erfahrung mit Python Programmierung
- Grundlegende Vertrautheit mit Statistik und mathematischen Konzepten
Zielgruppe
- Entwickler
- Datenwissenschaftler
28 Stunden
Erfahrungsberichte (5)
Die Schulung bot einen interessanten Überblick über Deep-Learning-Modelle und verwandte Methoden. Das Thema war für mich ziemlich neu, aber jetzt habe ich das Gefühl, dass ich tatsächlich eine Vorstellung davon habe, was KI und ML beinhalten können, woraus diese Begriffe bestehen und wie sie vorteilhaft eingesetzt werden können. Im Allgemeinen gefiel mir der Ansatz, mit dem statistischen Hintergrund und den grundlegenden Lernmodellen wie der linearen Regression zu beginnen, wobei die Übungen dazwischen besonders hervorgehoben wurden.
Konstantin - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Anna hat immer gefragt, ob es Fragen gibt, und hat immer versucht, uns durch Fragen aktiver zu machen, wodurch wir alle wirklich in die Schulung einbezogen wurden.
Enes Gicevic - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Mir gefiel die Art und Weise, wie sie mit den Praktiken vermischt wurde.
Bertan - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
Die umfangreichen Erfahrungen / Kenntnisse des Trainers
Ovidiu - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
die VM ist eine gute Idee
Vincent - REGNOLOGY ROMANIA S.R.L.
Kurs - Fundamentals of Artificial Intelligence (AI) and Machine Learning
Maschinelle Übersetzung
