Beschreibung
AVC Maschinenlernen
Ziel
Dieser Online-Kurs bietet einen umfassenden Überblick über Themen des maschinellen Lernens. Von der Arbeit mit Echtzeitdaten bis zur Entwicklung von Algorithmen für überwachtes und unüberwachtes Lernen werden Sie in Regression, Klassifizierung und Zeitreihenmodellierung geschult. Lernen Sie außerdem, wie Sie Python nutzen, um präzise Vorhersagen aus Daten zu treffen.
Kommende Starttermine
Inhalte / Module
Kurseinführung
- Lektion 01: Kurseinführung
Einführung in KI und maschinelles Lernen
- Lektion 02:
- Lernziele
- Das Aufkommen der Künstlichen Intelligenz
- Künstliche Intelligenz in der Praxis
- Science-Fiction-Filme mit dem Konzept der KI
- Empfehlungssysteme
- Beziehung zwischen KI, maschinellem Lernen und Datenwissenschaft – Teil A
- Beziehung zwischen KI, maschinellem Lernen und Datenwissenschaft – Teil B
- Definition und Merkmale des maschinellen Lernens
- Ansätze des maschinellen Lernens
- Techniken des maschinellen Lernens
- Anwendungen des maschinellen Lernens – Teil A
- Anwendungen des maschinellen Lernens – Teil B
- Wichtigste Erkenntnisse
Daten-Vorverarbeitung
- Lektion 03:
- Lernziel
- Datenexploration: Dateien laden
- Demo: Importieren und Speichern von Daten
- Praxis: Erkundung von Automobildaten I
- Techniken zur Datenexploration: Teil 1
- Techniken zur Datenexploration: Teil 2
- Seaborn
- Demo: Korrelationsanalyse
- Praxis: Erkundung von Automobildaten II
- Daten-Aufbereitung
- Fehlende Werte in einem Datensatz
- Ausreißerwerte in einem Datensatz
- Demo: Behandlung von Ausreißern und fehlenden Werten
- Praxis: Datenexploration III
- Datenmanipulation
- Funktionalitäten des Datenobjekts in Python – Teil A
- Funktionalitäten des Datenobjekts in Python – Teil B
- Verschiedene Arten von Verknüpfungen
- Typumwandlung
- Demo: Vergleich der Arbeitsstunden
- Übung: Datenmanipulation
- Wichtigste Erkenntnisse
- Abschlussprojekt der Lektion: Speicherung von Testergebnissen
Überwachtes Lernen
- Lektion 04:
- Lernziele
- Überwachtes Lernen
- Überwachtes Lernen – Anwendungsszenario im realen Leben
- Verständnis des Algorithmus
- Überwachter Lernprozess
- Arten des überwachten Lernens – Teil A
- Arten des überwachten Lernens – Teil B
- Arten von Klassifizierungsalgorithmen
- Arten von Regressionsalgorithmen – Teil A
- Anwendungsfall für Regression
- Genauigkeitsmetriken
- Kostenfunktion
- Koeffizienten bewerten
- Demo: Lineare Regression
- Übung: Bostoner Häuser I
- Herausforderungen bei der Vorhersage
- Arten von Regressionsalgorithmen – Teil B
- Demo: Bigmart
- Übung: Boston Homes II
- Logistische Regression – Teil A
- Logistische Regression – Teil B
- Sigmoid-Wahrscheinlichkeit
- Genauigkeitsmatrix
- Demo: Überleben der Passagiere der Titanic
- Übung: Iris-Arten
- Wichtigste Erkenntnisse
- Abschlussprojekt: Kosten für die Krankenversicherung
Merkmalskonstruktion
- Lektion 05:
- Lernziele
- Merkmalsauswahl
- Regression
- Faktorenanalyse
- Prozess der Faktorenanalyse
- Hauptkomponentenanalyse (PCA)
- Erste Hauptkomponente
- Eigenwerte und Hauptkomponentenanalyse
- Demo: Merkmalsreduktion
- Praxis: PCA-Umwandlung
- Lineare Diskriminanzanalyse
- Maximale trennbare Linie
- Finde die maximale trennbare Linie
- Demo: Beschriftete Merkmalsreduktion
- Praxis: LDA-Transformation
- Wichtigste Erkenntnisse
- Abschlussprojekt: Vereinfachung der Krebsbehandlung
Überwachtes Lernen: Klassifizierung
- Lektion 06:
- Lernziele
- Übersicht der Klassifikation
- Klassifikation: Ein überwachtes Lernalgorithmus
- Anwendungsfälle
- Klassifizierungsalgorithmen
- Entscheidungsbaum: Klassifikator
- Entscheidungsbaum: Beispiele
- Entscheidungsbaum: Bildung
- Auswahl des Klassifikators
- Überanpassung von Entscheidungsbäumen
- Zufallsforst-Klassifikator – Bagging und Bootstrapping
- Entscheidungsbaum und Random-Forest-Klassifikator
- Leistungskennzahlen: Verwechslungsmatrix
- Leistungskennzahlen: Kostenmatrix
- Demo: Pferdeüberleben
- Praxis: Risikoanalyse von Krediten
- Naive-Bayes-Klassifikator
- Schritte zur Berechnung der Posterior-Wahrscheinlichkeit – Teil A
- Schritte zur Berechnung der Posterior-Wahrscheinlichkeit – Teil B
- Support-Vektor-Maschinen: Lineare Separierbarkeit
- Support-Vektor-Maschinen: Klassifikationsmarge
- Lineare SVM: Mathematische Darstellung
- Nichtlineare SVMs
- Der Kernel-Trick
- Demo: Stimmklassifikation
- Übung: Hochschulklassifikation
- Wichtigste Erkenntnisse
- Abschlussprojekt der Lektion: Klassifizierung von kinematischen Daten
Zeitreihenmodellierung
- Lektion 07:
- Lernziele
- Übersicht der Zeitreihenmodellierung
- Zeitreihenmuster Typen – Teil A
- Zeitreihenmuster Typen – Teil B
- Weißes Rauschen
- Entfernung von Nicht-Stationarität
- Demo: Flugpassagiere I
- Praxis: Bierherstellung I
- Zeitreihenmodelle – Teil A
- Zeitreihenmodelle – Teil B
- Zeitreihenmodelle – Teil C
- Schritte bei der Zeitreihenprognose
- Demo: Flugpassagiere II
- Praxis: Bierherstellung II
- Wichtigste Erkenntnisse
- Projekt zum Abschluss der Lektion: Rohstoffpreisprognose des IWF
Ensemble-Lernen
- Lektion 09:
- Lernziele
- Übersicht Ensemble-Lernmethoden – Teil A
- Methoden des Ensemble-Lernens – Teil B
- Funktionsweise von AdaBoost
- AdaBoost-Algorithmus und Flussdiagramm
- Gradient-Verstärkung
- XGBoost
- XGBoost-Parameter – Teil A
- XGBoost-Parameter – Teil B
- Demo: Diabetes bei Pima-Indianern
- Praxis: Linear trennbare Arten
- Modellauswahl
- Gängige Aufteilungsstrategien
- Demo: Kreuzvalidierung
- Praxis: Modellauswahl
- Wichtigste Erkenntnisse
- Abschlussprojekt der Lektion: Klassifikationsmodell mit XGBoost optimieren
Empfehlungssysteme
- Lektion 10:
- Lernziele
- Einleitung
- Zwecke von Empfehlungssystemen
- Paradigmen von Empfehlungssystemen
- Kollaboratives Filtern – Teil A
- Kollaboratives Filtern – Teil B
- Assoziationsregelanalyse
- Assoziationsregel-Mining: Warenkorbanalyse
- Assoziationsregelgenerierung: Apriori-Algorithmus
- Beispiel für den Apriori-Algorithmus – Teil A
- Beispiel für den Apriori-Algorithmus – Teil B
- Apriori-Algorithmus: Regel-Auswahl
- Demo: Benutzer-Film-Empfehlungsmodell
- Übung: Filmempfehlungen
- Wichtigste Erkenntnisse
- Projekt zum Abschluss der Lektion: Buchverleih-Empfehlung
Text Mining
- Lektion 11:
- Lernziele
- Überblick über Text Mining
- Bedeutung des Textminings
- Anwendungen des Text-Minings
- Natural Language Toolkit-Bibliothek
- Textextraktion und Vorverarbeitung: Tokenisierung
- Textextraktion und Vorverarbeitung: N-Gramme
- Textextraktion und Vorverarbeitung: Entfernung von Stoppwörtern
- Textextraktion und Vorverarbeitung: Stemming
- Textextraktion und Vorverarbeitung: Lemmatisierung
- Textextraktion und Vorverarbeitung: POS-Tagging
- Textextraktion und Vorverarbeitung: Erkennung benannter Entitäten
- Ablauf des NLP-Prozesses
- Demo: Verarbeitung des Brown-Korpus
- Übung: Wiki-Korpus
- Satzbau: Syntaxdarstellung von Syntaxbäumen
- Satzstruktur: Chunking und Chunk-Parsing
- NP und VP Segmentierung und Parser
Aufbau & Organisation
Adding Value ist eine führende eLearning-Plattform, die sich auf die Bereitstellung qualitativ hochwertiger Online-Bildungslösungen für Einzelpersonen und Unternehmen spezialisiert hat. Die Organisation setzt auf innovative Lerntechnologien und maßgeschneiderte Schulungsprogramme, um berufliche Fähigkeiten und Kompetenzen zu fördern.
Organisationsaufbau:
- Geschäftsführung:
- Leitung und strategische Ausrichtung der Organisation.
- Entscheidungsträger für langfristige Unternehmensziele und Partnerschaften.
- Produktentwicklung:
- Entwicklung und Aktualisierung der eLearning-Kurse.
- Integration von interaktiven Lernmodulen und neuen Technologien.
- Inhaltserstellung:
- Erstellung von Kursmaterialien durch Experten.
- Sicherstellung der Qualität und Aktualität der Inhalte.
- Technologie & IT:
- Wartung und Weiterentwicklung der Lernplattform.
- Gewährleistung der Datensicherheit und Benutzerfreundlichkeit.
- Kundenservice:
- Unterstützung der Lernenden bei technischen und inhaltlichen Fragen.
- Bereitstellung von Support und Beratung.
- Marketing & Vertrieb:
- Vermarktung der eLearning-Angebote.
- Aufbau und Pflege von Kundenbeziehungen.
- Human Resources:
- Rekrutierung und Weiterbildung von Mitarbeitern.
- Pflege der Unternehmenskultur und Mitarbeiterzufriedenheit.
Adding Value zeichnet sich durch eine klare Struktur und eine starke Fokussierung auf die Bedürfnisse der Lernenden aus, was zur kontinuierlichen Verbesserung und Erweiterung ihres Bildungsangebots beiträgt.
Abschlussqualifikation / Zertifikat
Teilnahmezertifikat
Kostenzusatz
Enthalten sind die Seminarunterlagen und die Prüfung
Infos anfordern
Adding Value Consulting
Wir bieten eine umfangreiche Palette an eLearning-Lösungen an, die speziell darauf ausgerichtet sind, den Wert Ihres Unternehmens und ihrer Skills durch gezielte Weiterbildung zu steigern. Mit einem breiten Angebot an Online-Kursen, interaktiven Lernmodulen und maßgeschneiderten Schulungen unterstützt Adding Value sowohl...
Erfahren Sie mehr über Adding Value Consulting und weitere Kurse des Anbieters.