Inhalt

Zielgruppe:
Dieser Kurs richtet sich an motivierte und teamorientierte Quereinsteiger, Geisteswissenschaftler und Studienabbrecher, die in die wachsende Digitalbranche einsteigen möchten. Das Unternehmen spricht auch explizit Frauen an, die eine Karriere in der Digitalwirtschaft anstreben und Interesse am Programmieren haben. Im Laufe des Bootcamps bauen die Teilnehmerinnen ihr eigenes digitales Portfolio auf und schließen die Ausbildung mit einem eigenen „digitalen Gesellenstück“ ab. Dabei erstellen sie wichtige Arbeitsproben.

Kursinhalt:

Datenwissenschaft mit maschinellem Lernen: Konzepte des maschinellen Lernens
Dieser Kurs vermittelt ein tiefgreifendes Verständnis der Konzepte des maschinellen Lernens (ML) und stattet die Lernenden mit den Fähigkeiten aus, ML-Modelle zu erstellen, zu trainieren und zu bewerten. Die Teilnehmer werden sich mit Python-Programmierung, ML-Algorithmen und KI-gesteuerten prädiktiven Analysen anhand praktischer Anwendungen befassen.
Kursmodule:

Einführung in Python für maschinelles Lernen
Erlernen Sie die Python-Syntax, Datenstrukturen und Funktionen für ML-Anwendungen.
Erkunden Sie die Rolle von Python in der Datenwissenschaft und im maschinellen Lernen.
Arbeiten Sie mit wichtigen Python-Bibliotheken für die Entwicklung von ML-Modellen.

Einrichten von Entwicklungsumgebungen
Installieren und konfigurieren Sie Jupyter Notebooks und Anaconda für eine nahtlose Codierung.
Verwenden Sie Git- und Unix-Befehle für die Versionskontrolle und Zusammenarbeit.
Richten Sie Python-IDEs wie PyCharm und VS Code für effiziente ML-Workflows ein.

Grundlagen des maschinellen Lernens
Verstehen Sie den Unterschied zwischen überwachtem und unüberwachtem Lernen.
Lernen Sie Klassifizierungs-, Regressions- und Clustering-Techniken kennen.
Erkunden Sie Modellbewertungsmetriken wie Genauigkeit, Präzision und Rückruf.

Überwachte Lerntechniken
Implementieren Sie lineare Regression und logistische Regression für die Vorhersagemodellierung.
Erkunden Sie Entscheidungsbäume, Zufallswälder und Support-Vektor-Maschinen (SVMs).
Lernen Sie, wie man überwachte Lernmodelle trainiert und testet.

Unüberwachte Lerntechniken
Verstehen Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
Lernen Sie die Dimensionsreduktion mithilfe der PCA (Hauptkomponentenanalyse) kennen.
Erkunden Sie reale Anwendungen des unüberwachten Lernens.

Tiefes Lernen und neuronale Netze
Lernen Sie die Grundlagen künstlicher neuronaler Netze (ANNs) kennen.
Verstehen Sie, wie sich Aktivierungsfunktionen, Schichten und Gewichte auf die Modellleistung auswirken.
Sammeln Sie praktische Erfahrungen mit TensorFlow und Keras für tiefes Lernen.

Modellbewertung und -optimierung
Erkunden Sie die Hyperparameter-Abstimmung, um die Modellleistung zu optimieren.
Verwenden Sie Techniken wie Kreuzvalidierung und Rastersuche.
Verstehen Sie den Kompromiss zwischen Verzerrung und Varianz und Strategien zur Vermeidung von Überanpassung.

Praktische Entwicklung von Modellen für maschinelles Lernen
Erstellen und trainieren Sie ML-Modelle mit Python und Scikit-learn.
Arbeiten Sie mit realen Datensätzen für Klassifizierungs- und Regressionsaufgaben.
Wenden Sie Techniken des maschinellen Lernens auf geschäftliche und KI-gesteuerte Lösungen an.

Weitere Infos beim Anbieter

Förderungsart

Bildungsgutschein (nach AZAV, Akkreditierungs- und Zulassungsverordnung Arbeitsförderung) i

Unterrichtsart

Online-Seminar