Ausbildungsprogramm
Einführung in das maschinelle Lernen (3 Tage)

Ausbildungsziele:

• Die Grundlagen des maschinellen Lernens verstehen die theoretischen und praktischen Grundlagen zu verstehen.

• Datenverarbeitung Verwendung geeigneter Werkzeuge für die Vorbehandlung und Analyse.

• Grundlegende Algorithmen implementieren das Machine Learning auf konkrete Fälle anzuwenden.

• Bewertung der Modellleistung durch Experimente und praktische Fälle.

INTERPRETATION

- Anwesend in unseren Räumlichkeiten oder bei Ihnen

Distanciel Online

Finden Sie uns auf:

Straßburg, Lille, Lyon, Reims, Genf, Brüssel, Luxemburg, Frankfurt, Karlsruhe, Berlin, Metz

Preis: 2282 € H.T.
Daten, Orte und Registrierung
INTRA

(Rufen Sie uns an, um ein Angebot zu erhalten)

Tag 1: Einführung und Grundlagen

Bildungsziele:

• Die Schlüsselkonzepte des maschinellen Lernens verstehen

• Identifizieren Sie verschiedene Lernkategorien

• Erwerb der notwendigen mathematischen und statistischen Grundlagen

• Umgang mit Daten mit Python

Morgen: Machine Learning verstehen

• Definition und Herausforderungen des maschinellen Lernens

• Unterschiede zwischen AI, Machine Learning und Deep Learning

• Arten des Lernens: überwacht, unbeaufsichtigt, durch Verstärkung

• Beispiele für konkrete Anwendungen

Nachmittag: Mathematische Grundlagen und Werkzeuge

• Wesentliche Statistiken: Durchschnitt, Varianz, Verteilungen

• Lineare Algebra: Vektoren, Matrizen, Transformationen

• Wahrscheinlichkeit und Einführung in die Kostenfunktion

• Python und Pandas, NumPy und Matplotlib Bibliotheken übernehmen

• Praktischer Workshop: Datenmanipulation und Visualisierung

Tag 2: Beaufsichtigtes Lernen und Datenverarbeitung

Bildungsziele:

• Verstehen des überwachten Lernens und seiner Modelle

• Reinigen, Erkunden und Vorbereiten eines Datensatzes

• Implementierung und Auswertung einfacher Python-Modelle

Morgens: Datenvorbereitung

• Laden von Datensätzen und Erkundungsvariablen

• Datenreinigung (fehlend, außen, Standardisierung)

• Feature Engineering: Transformation und Auswahl von Merkmalen

• Datenvisualisierung und Korrelation

Nachmittag: Beaufsichtigtes Modell und Bewertung

• Lineare Regression und Logistik

• Entscheidungsbäume und Zufallswälder

• Leistungskennzahlen: Präzision, Rückruf, F1-Score, MSE

• Praktischer Workshop: Training und Evaluation eines Modells auf einem realen Datensatz

Tag 3: Unüberwachtes Lernen und Üben

Bildungsziele:

• Unüberwachte Lernmodelle verstehen

• Erfahrung mit Clustering- und Dimensionsreduktionstechniken

• Entwickeln Sie ein Mini-Projekt für Machine Learning

Morgen: Unüberwachtes Lernen

• Einführung in das Clustering: K-Means, DBSCAN

• Größenreduzierung mit PCA

• Use Case: Kundensegmentierung und Datenanalyse

Nachmittag: Projekt und Vertiefung

• Umsetzung einer vollständigen ML-Pipeline

• Hyperparameterisierung und Cross-Validierung

• Initiation in Neuronennetzwerke mit TensorFlow/Keras

• Case Study: Prognose der Immobilienpreise

• Diskussion und Perspektiven: Auf dem Weg zum Deep Learning

Methodik

• Progressiver Ansatz: Wechsel zwischen Theorie und Praxis

• Praktische Arbeit: Übungen zu realen Daten

• Case Study: Umsetzung von Projektkonzepten

• Interaktion und Diskussionen: Diskussionen über Themen und bewährte Verfahren

 Am Ende des Trainings haben die Teilnehmer ein solides Verständnis der Grundlagen des maschinellen Lernens und können eigene Modelle zu verschiedenen Themen entwickeln.