Machine Learning mit Python
Eigene Modelle erstellen, trainieren und evaluieren – mit allen wichtigen Python-Bibliotheken
.svg)
Machine Lerning Engineer
1. Datenvorbereitung mit scikit-learn und pandas
- Datenvorbereitung und Vorverarbeitung
- Explorative Datenvisualisierung und statistische Analyse
- Explorative Datenanalysen mit deskriptiver Statistik und Visualisierungsmethoden
- Datenvorbereitung mit scikit-learn
- Effektive Datenmanipulation mit pandas
2. Grundlagen des maschinellen Lernens mit Python
- Überblick über die verschiedenen Arten maschinellen Lernens und ihre Unterschiede
- Technologien und Teilbereiche des maschinellen Lernens
- Lineare Regression und logistische Regression im Detail
- Mathematische Grundlagen der linearen und logistischen Regression
3. Fortgeschrittene Modelle und Techniken
- Entscheidungsbäume und ihre Anwendung in Klassifikations- und Regressionsproblemen
- Praktische Implementierung von Entscheidungsbäumen mit Python
- Ensemble-Modelle: Bagging und Boosting
- Praktische Umsetzung des Ensemble-Modells Random Forest
4. Techniken der Datenverdichtung und -klassifikation
- Clustering und Dimensionsreduktion
- Einführung in die Algorithmen k-Means, SVD und PCA
- Lineare und nicht-lineare Support Vector Machines
5. Eine vollständige Pipeline am Beispiel erklärt
- Praktische Umsetzung einer Machine-Learning-Pipeline
- Training, Evaluation und Optimierung verstehen
- Verwendung des Ensemble-Modells XGBoost
6. Deep Learning und industrielle Anwendungen
- Grundlagen und Unterschiede zum traditionellen maschinellen Lernen
- Implementierung einfacher neuronaler Netzwerke in Python
- Anwendung bekannter Deep-Learning-Modelle aus den Bereichen der Sprach- und Bildverarbeitung
Praxisübungen zum Mitprogrammieren
Durch das ganze Seminar hindurch löst du selbst praxisnahe Aufgaben mit Python, die dir helfen, das Gelernte sofort anzuwenden und zu festigen. Bereitgestellt werden die Aufgaben in Jupyter Notebooks, die du online oder lokal auf dem Rechner ausführen kannst.
Grundlegende Programmierkenntnisse als Voraussetzung
In diesem Seminar wird die Programmiersprache Python eingesetzt und grundlegende Kenntnisse vorausgesetzt. Du solltest bereits mit Variablen, Listen, Dictionaries und Schleifen vertraut sein, oder dir vor Beginn des Seminars aneignen. (Für eine ähnliche Schulung inkl. Einführung in Python siehe DSidP)
Du erfährst alles über die technischen und mathematischen Grundlagen im Machine-Learning.
Du lernst den vollständigen Ablauf von Machine-Learning-Projekten kennen – von der Datenvorbereitung über die Erstellung und das Training von Modellen bis zur Evaluation.
Du bekommst einen Überblick über viele wichtige Python-Bibliotheken und lernst, sie in eigenen Projekten einzusetzen.
Du implementiert, trainierst und evaluierst eigene Machine-Learning-Modelle. Die technischen Einstiegshürden werden durch den Einsatz von Jupyter Notebooks minimiert, welche es dir erlauben, dich interaktiv mit den Daten und Programmierkonzepten auseinanderzusetzen.
Die Inhalte dieser Weiterbildung unterstützen die Nachweispflicht zur Förderung von KI-Kompetenz im Sinne des Art. 4 EU KI-VO.
Dieses Online-Seminar wird in einer Gruppe von maximal 12 Teilnehmenden mit der Videokonferenz-Software Zoom durchgeführt.
Die individuelle Betreuung durch die Referent:innen ist garantiert – im virtuellen Klassenraum oder individuell in Break-out-Sessions.
Die Praxisübungen werden in Form von Jupyter Notebooks bereitgestellt, die du ganz einfach lokal auf dem eigenen Rechner installieren kannst. Technische Vorkenntnisse brauchst du dafür nicht. Bei der Durchführung der praktischen Übungen stehen dir die Referent:innen zur Seite.
In deiner Online-Lernumgebung findest du nach der Anmeldung alle Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.
Dieses Training richtet sich an alle, die Machine Learning im Detail verstehen und im Rahmen von eigenen Projekten einsetzen möchten.
Grundlegende Kenntnisse in einer beliebigen Programmiersprache werden vorausgesetzt. Weitergehendes technisches, mathematisches und statistisches Vorwissen ist hilfreich, aber nicht erforderlich.
Dieser Kurs ist ein wertvoller Baustein in der Qualifizierung zum Machine Learning Engineer, Data Engineer und Data Scientist.
.svg)