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: Datenmodellierung und fortgeschrittenes maschinelles Lernen
Dieser Kurs bietet eine eingehende Untersuchung der Datenmodellierung und fortgeschrittener maschineller Lerntechniken und vermittelt den Lernenden die Fähigkeiten, komplexe ML-Modelle zu entwerfen, zu trainieren und zu optimieren. Die Teilnehmer sammeln praktische Erfahrungen mit Python, Deep-Learning-Frameworks und Modellbewertungsstrategien.
Kursmodule:

Einführung in Python für Datenwissenschaft und maschinelles Lernen
Erlernen der Python-Syntax, Datenstrukturen und Funktionen für KI-Anwendungen.
Arbeiten mit Python-Bibliotheken wie Pandas, NumPy und Scikit-learn.
Einrichten von Python-Umgebungen mit Jupyter Notebooks und Anaconda.

Grundlagen der Datenmodellierung
Verstehen von Datenmodellierungskonzepten für maschinelles Lernen.
Lernen, wie man Daten vorverarbeitet, bereinigt und transformiert.
Anwenden von Feature-Engineering und -Auswahl zur Verbesserung der Modellleistung.

Techniken des überwachten Lernens
Implementieren Sie lineare Regression, Entscheidungsbäume und Support-Vector-Machines (SVMs).
Lernen Sie Ensemble-Learning-Techniken wie Random Forest und Gradient Boosting kennen.
Optimieren Sie die Modellleistung durch Hyperparameter-Tuning und Kreuzvalidierung.

Unüberwachtes Lernen und Clustering
Verstehen Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
Lernen Sie Methoden zur Dimensionsreduktion wie PCA und t-SNE kennen.
Erkunden Sie reale Anwendungen des unüberwachten Lernens.

Deep Learning und neuronale Netze
Verstehen Sie die Architektur künstlicher neuronaler Netze (ANNs).
Arbeiten Sie mit TensorFlow und Keras, um Deep-Learning-Modelle zu erstellen.
Trainieren und optimieren Sie Modelle mithilfe von Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs).

Fortgeschrittene Techniken des maschinellen Lernens
Implementieren Sie Transferlernen zur Verbesserung von Deep-Learning-Modellen.
Erkunden Sie generative gegnerische Netzwerke (GANs) und Autoencoder.
Arbeiten Sie an der Verarbeitung natürlicher Sprache (NLP) und der Zeitreihenprognose.

Modellbewertung und -optimierung
Erfahren Sie mehr über den Kompromiss zwischen Verzerrung und Varianz und über Strategien zur Verbesserung der Modellgenauigkeit.
Erkunden Sie Leistungskennzahlen wie Präzision, Rückruf und F1-Score.
Optimieren Sie die Modelleffizienz mithilfe von Rastersuche und zufälligen Suchtechniken.

Praktische Projekte zum fortgeschrittenen maschinellen Lernen
Fortgeschrittene ML-Modelle auf reale Datensätze anwenden.
KI-gesteuerte End-to-End-Lösungen entwickeln.
ML-Modelle für Geschäftsanwendungen evaluieren und bereitstellen.

Weitere Infos beim Anbieter

Förderungsart

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

Unterrichtsart

Online-Seminar