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:

Daten: Programmierkonzepte, Algorithmen für maschinelles Lernen
Dieser Kurs vermittelt eine solide Grundlage in Python-Programmierung und Algorithmen für maschinelles Lernen (ML) und stattet die Lernenden mit den Fähigkeiten aus, effizienten Code zu schreiben, ML-Modelle zu entwickeln und KI-gesteuerte Lösungen zu optimieren. Die Teilnehmer sammeln praktische Erfahrungen mit Python, ML-Techniken und realen Anwendungen.
Kursmodule:

Einführung in Python für maschinelles Lernen
Lernen Sie Python-Syntax, Variablen, Datentypen und Kontrollstrukturen kennen.
Verstehen Sie Funktionen, Schleifen und modulare Programmierung für ML-Anwendungen.
Arbeiten Sie mit Python-Bibliotheken wie Pandas, NumPy und Scikit-learn.

Einrichten von Entwicklungsumgebungen
Installieren und konfigurieren Sie Jupyter Notebooks und Anaconda für Python.
Verwenden Sie Git für die Versionskontrolle und die Zusammenarbeit an Projekten.
Erkunden Sie Python-IDEs wie PyCharm und VS Code für maschinelles Lernen.

Programmierkonzepte für maschinelles Lernen
Verstehen Sie objektorientierte Programmierung (OOP) und funktionale Programmierung in Python.
Arbeiten Sie mit Datenstrukturen und Algorithmen für ML.
Optimieren Sie die Codeleistung mithilfe von Vektorisierung und Parallelverarbeitung.

Einführung in Algorithmen des maschinellen Lernens
Lernen Sie die Grundlagen des überwachten und unüberwachten Lernens kennen.
Verstehen Sie Klassifizierungs-, Regressions- und Clustering-Techniken.
Erkunden Sie Metriken zur Modellbewertung wie Genauigkeit, Präzision, Recall und F1-Score.

Algorithmen des überwachten Lernens
Implementieren Sie lineare Regression, logistische Regression und Entscheidungsbäume.
Arbeiten Sie mit Support-Vector-Machines (SVMs) und Ensemble-Modellen.
Erfahren Sie mehr über Überanpassung, Regularisierung und Modellabstimmung.

Algorithmen für unüberwachtes Lernen
Erkunden Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
Implementieren Sie Techniken zur Dimensionsreduktion wie PCA und t-SNE.
Wenden Sie unüberwachtes Lernen auf reale Datensätze an.

Fortgeschrittene Techniken des maschinellen Lernens
Arbeiten Sie mit Gradientenverstärkungstechniken wie XGBoost und LightGBM.
Implementieren Sie die Hyperparameter-Abstimmung zur Modelloptimierung.
Erfahren Sie mehr über Modellbereitstellung und KI-Automatisierung.

Praktische Projekte zum maschinellen Lernen
Wenden Sie ML-Algorithmen auf reale Datensätze an.
Trainieren und bewerten Sie KI-Modelle für Klassifizierung und Regression.
Entwickeln Sie End-to-End-Lösungen für maschinelles Lernen für praktische Anwendungen.

Weitere Infos beim Anbieter

Förderungsart

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

Unterrichtsart

Online-Seminar