Maschinelles Lernen, Methoden und Lösungen (4 Tage)

Ausbildungsziele:

Verschiedene Lernmodelle verstehen

 

Modellieren Sie ein praktisches Problem in abstrakter Form

 

Identifizieren Sie relevante Lernmethoden, um ein Problem zu lösen

 

Anwenden und Bewerten von Methoden, die für ein Problem identifiziert wurden

 

Verknüpfung verschiedener Lerntechniken

INTERPRETATION

2 920 €
  • - Anwesend in unseren Räumlichkeiten oder bei Ihnen
  • – Distanciel Online Finden Sie uns auf: Straßburg, Lille, Lyon, Reims, Genf, Brüssel, Luxemburg, Frankfurt, Karlsruhe, Berlin, Metz
  • INTRA (Rufen Sie uns an, um ein Angebot zu erhalten)
Registrierung

Tag 1:

Einführung in maschinelles Lernen und Modellbewertungsverfahren

Inhalt:

  • Einführung in das maschinelle Lernen
    Big Data und Machine Learning.
    Beaufsichtigte, unbeaufsichtigte und verstärkte Lernalgorithmen.
    - Schritte des Aufbaus eines prädiktiven Modells.
    Erkennen Sie Ausreißer und verarbeiten Sie fehlende Daten.
    - Wie wähle ich den Algorithmus und die Algorithmusvariablen aus?
    Nachweis: Übernehmen der Funkenumgebung mit Python mit Jupyter Notebook. Sehen Sie sich mehrere Beispiele von Modellen zur Verfügung gestellt.
  • Modellbewertungsverfahren
    Re-Sampling-Techniken für Lernen, Validierung und Testen.
    - Test der Repräsentativität von Lerndaten.
    - Leistungsmessungen von Vorhersagemodellen.
    - Verwirrung Matrix, Kosten und ROC und AUC-Kurve.
    Praktische Arbeit: Auswertung und Vergleich verschiedener Algorithmen auf Modellen

Tag 2:

Prädiktive Modelle, der frequentistische Ansatz

Inhalt:

  • Prädiktive Modelle, der frequentistische Ansatz
    Statistisches Lernen.
    - Datenkonditionierung und Dimensionsreduktion.
    - Unterstützung von Vektormaschinen und Kernmethoden.
    - Vektorquantifizierung.
    Netzwerke von Neuronen und Deep Learning.
    - Gemeinsam lernen und Entscheidungsbäume.
    - Banditen-Algorithmen, Optimismus über Unsicherheit.
    Praktische Arbeit: Implementierung von Algorithmusfamilien unter Verwendung verschiedener Datensätze.

Tag 3:

Bayesianische Modelle und Lernen

Inhalt:

  • Bayesianische Modelle und Lernen
    Prinzipien der Bayesschen Inferenz und des Lernens.
    Grafikmodelle: Bayessche Netzwerke, Markov-Felder, Inferenz und Lernen.
    Bayessche Methoden: Naive Bayes, Gaußische Mischungen, Gaußische Prozesse.
    - Markov Modelle: Markovsche Prozesse, Markovsche Ketten, versteckte Markovsche Ketten, Bayessche Filterung.
    Praktische Arbeit: Implementierung von Algorithmusfamilien unter Verwendung verschiedener Datensätze

Tag 4:

Machine Learning in der Produktion

Inhalt:

  • Machine Learning in der Produktion
    Besonderheiten im Zusammenhang mit der Entwicklung eines verteilten Umweltmodells.
    Big Data-Bereitstellung mit Spark und MLlib.
    - Die Cloud: Amazon, Microsoft Azure ML, IBM Bluemix...
    - Modellwartung.
    Praktische Arbeit: Erstellung eines prädiktiven Modells mit Integration in Batchprozesse und Prozessströme.

© 2026 Alle Rechte vorbehalten.