Beschreibung
Machine Learning für Einsteiger: Schritt für Schritt zum eigenen Modell
Zielgruppe: Nur für Unternehmen und Institutionen.In diesem Seminar lernen die Teilnehmenden die grundlegenden und fortgeschrittenen Techniken des Machine Learning kennen. Der Fokus liegt auf der Erstellung, Optimierung und Bereitstellung von ML-Modellen sowie der Integration moderner Technologien und Best Practices. Die Teilnehmer werden sich mit den grundlegenden und erweiterten Tools und Techniken des Machine Learning vertraut machen und durch praxisorientierte Übungen die erlernten Konzepte anwenden.
Kommende Starttermine
Wählen Sie aus 17 verfügbaren Startterminen
Inhalte / Module
- Einführung in Machine Learning: Überblick und Bedeutung
- Was ist Machine Learning und warum ist es wichtig?
- Definition und Hintergrund: Grundlagen des maschinellen Lernens, Unterschiede zwischen ML, KI und Data Science.
- Bedeutung und Vorteile: Automatisierte Entscheidungsfindung, Mustererkennung, Verbesserung von Produkten und Dienstleistungen.
- Anwendungsfälle: Empfehlungssysteme, Bild- und Spracherkennung, medizinische Diagnosen.
- Was ist Machine Learning und warum ist es wichtig?
- Grundlegende Konzepte und Techniken
- Typen von Machine Learning:
- Überwachtes Lernen: Regression, Klassifikation.
- Unüberwachtes Lernen: Clustering, Dimensionenreduktion.
- Verstärkendes Lernen: Belohnungssysteme und Entscheidungsfindung.
- Datenvorbereitung und -verarbeitung:
- Datenbereinigung: Umgang mit fehlenden Werten, Ausreißern.
- Datennormalisierung und -skalierung: Standardisierung von Daten.
- Feature Engineering: Auswahl und Erstellung relevanter Merkmale.
- Typen von Machine Learning:
- Werkzeuge und Bibliotheken
- Einführung in Python für Machine Learning:
- Warum Python? Vorteile und Popularität.
- Wichtige Bibliotheken: NumPy, Pandas, Scikit-Learn, Matplotlib.
- Einrichtung der Entwicklungsumgebung:
- Installation von Python und Jupyter Notebook.
- Einführung in die Nutzung von Jupyter Notebooks für ML-Projekte.
- Einführung in Python für Machine Learning:
- Praxisübung 1: Einrichtung der Entwicklungsumgebung und erste Datenanalyse
- Ziel der Übung: Anwendung der erlernten Techniken zur Einrichtung der Entwicklungsumgebung und Durchführung einer ersten Datenanalyse.
- Projektbeschreibung: Teilnehmer installieren die notwendigen Bibliotheken und analysieren einen Beispiel-Datensatz.
- Anforderungen: Nutzung der grundlegenden Funktionen und Bibliotheken von Python.
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einführung in die Projektanforderungen, Installation von Python und Jupyter Notebook.
- Durchführung: Import und Analyse eines Beispiel-Datensatzes mit Pandas und Matplotlib.
- Präsentation: Vorstellung der Ergebnisse durch die Teilnehmer.
- Tools: Python, Jupyter Notebook, Pandas, Matplotlib.
- Ergebnisse und Präsentation:
- Präsentation der installierten und konfigurierten Umgebung und der ersten Datenanalyse.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
- Ziel der Übung: Anwendung der erlernten Techniken zur Einrichtung der Entwicklungsumgebung und Durchführung einer ersten Datenanalyse.
- Modellierung und Training
- Überwachtes Lernen:
- Lineare Regression: Grundlagen, Implementierung und Bewertung.
- Klassifikation mit Entscheidungsbäumen und k-NN: Grundlagen, Implementierung und Bewertung.
- Unüberwachtes Lernen:
- K-Means-Clustering: Grundlagen, Implementierung und Bewertung.
- Hauptkomponentenanalyse (PCA): Dimensionenreduktion und Visualisierung.
- Überwachtes Lernen:
- Modellbewertung und -optimierung
- Evaluierung von Modellen:
- Train-Test-Split, Kreuzvalidierung.
- Metriken zur Modellbewertung: Genauigkeit, Präzision, Recall, F1-Score.
- Hyperparameter-Tuning:
- Grid Search, Random Search.
- Nutzung von Scikit-Learn zur Optimierung von Modellparametern.
- Evaluierung von Modellen:
- Einführung in neuronale Netze
- Grundlagen neuronaler Netze:
- Aufbau und Funktionsweise: Neuronen, Schichten, Aktivierungsfunktionen.
- Einführung in Keras und TensorFlow: Frameworks für Deep Learning.
- Erstellung eines einfachen neuronalen Netzes:
- Implementierung eines MLP (Multi-Layer Perceptron).
- Training und Bewertung des Modells.
- Grundlagen neuronaler Netze:
- Praxisübung 2: Modellierung und Training von ML-Modellen
- Ziel der Übung: Anwendung der erlernten Techniken zur Erstellung und Bewertung von ML-Modellen.
- Projektbeschreibung: Teilnehmer erstellen und bewerten verschiedene ML-Modelle für eine Klassifikationsaufgabe.
- Anforderungen: Nutzung der erweiterten Funktionen und Bibliotheken von Scikit-Learn und Keras.
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einführung in die Projektanforderungen, Einrichtung der Umgebung.
- Durchführung: Implementierung und Bewertung von Regression, Klassifikation und Clustering-Modellen.
- Präsentation: Vorstellung der Ergebnisse durch die Teilnehmer.
- Tools: Python, Jupyter Notebook, Scikit-Learn, Keras.
- Ergebnisse und Präsentation:
- Präsentation der erstellten Modelle und der durchgeführten Bewertungen.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
- Ziel der Übung: Anwendung der erlernten Techniken zur Erstellung und Bewertung von ML-Modellen.
- Einsatz von Künstlicher Intelligenz (KI) im Machine Learning
- Integration von AI-Techniken:
- Automatisierung von ML-Prozessen: Einsatz von AI zur Modelloptimierung.
- Fallstudien: Erfolgreiche Implementierung von AI in ML-Projekten.
- Ethische Aspekte und Best Practices:
- Datenschutz und Datensicherheit: Umgang mit sensiblen Daten.
- Vermeidung von Bias und Fairness in ML-Modellen.
- Integration von AI-Techniken:
- Deployment und Skalierung von ML-Modellen
- Bereitstellung von ML-Modellen:
- Export und Integration in Produktionsumgebungen.
- Nutzung von Cloud-Diensten: AWS, Azure, Google Cloud.
- Skalierbarkeit und Leistung:
- Optimierung von Modellen für große Datenmengen.
- Nutzung von verteilten Systemen und GPU-Computing.
- Bereitstellung von ML-Modellen:
- Fehlersuche und Optimierung
- Überwachung und Fehlersuche:
- Überwachung der Modellleistung in der Produktion.
- Methoden zur Fehleranalyse und -behebung.
- Optimierung von ML-Prozessen:
- Durchführung von A/B-Tests.
- Kontinuierliche Verbesserung durch Feedback-Schleifen.
- Überwachung und Fehlersuche:
- Praxisübung 3: Deployment und Optimierung eines ML-Modells
- Ziel der Übung: Anwendung der erlernten Techniken zur Bereitstellung und Optimierung eines ML-Modells.
- Projektbeschreibung: Teilnehmer deployen ein ML-Modell in einer Cloud-Umgebung und optimieren dessen Leistung.
- Anforderungen: Nutzung der erweiterten Funktionen und Cloud-Dienste.
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einführung in die Projektanforderungen, Einrichtung der Umgebung.
- Durchführung: Deployment des Modells, Optimierung und Überwachung.
- Präsentation: Vorstellung der Ergebnisse durch die Teilnehmer.
- Tools: Python, Jupyter Notebook, Scikit-Learn, Keras, Cloud-Dienste (AWS, Azure, Google Cloud).
- Ergebnisse und Präsentation:
- Präsentation des deployten Modells und der durchgeführten Optimierungen.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
- Ziel der Übung: Anwendung der erlernten Techniken zur Bereitstellung und Optimierung eines ML-Modells.
Zielgruppe / Voraussetzungen
Hinweis: Dieser Kurs richtet sich an Mitarbeitende aus Unternehmen und Institutionen.
Für Privatpersonen ist dieser Kurs leider nicht geeignet.
Bitte beachten Sie: Bildungsgutscheine der Agentur für Arbeit werden für diesen Kurs NICHT anerkannt.
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.
Anzeige