Machine Learning Entwickler:in
| Kurs-ID | 7215-0069-20230227 |
| Datum | 27.02.2023 bis 19.05.2023 |
| Dauer | 12 Wochen |
| Unterrichtszeiten | Montag bis Freitag von 08:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr) |
| Kosten | k. A. |
| Zielgruppe | <p>Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-) Ingenieurwissenschaften.</p> |
| Abschluss | Zertifikat/Teilnahmebestätigung |
| Förderung | Arbeitsagentur, Jobcenter, Beschäftigungs- und Qualifizierungsgesellschaften, BFD, DRV |
| Präsenzkurs | Keine Angabe. |
| mind. Teilnehmerzahl | 6 |
| max. Teilnehmerzahl | 25 |
| URL des Kurses | Details beim Anbieter |
| Anmelde URL des Kurses | Direkte Anmeldung beim Anbieter |
| spezielles Angebot für Dozenten | Nein. |
|
Veranstaltungsort
|
alfatraining Bildungszentrum GmbH
Hauptstraße 40 77652 Offenburg |
| Abendkurs | Bildungsgutschein | Barierrefreier Zugang |
|---|---|---|
| Nein | Ja | Nein |
| Beschreibung |
|---|
| Machine Learning Entwickler:in: Programmierung mit Python Grundlagen Python (ca. 1 Tage) Geschichte, Konzepte Verwendung und Einsatzgebiete Syntax Erste Schritte mit Python (ca. 5 Tage) Zahlen Zeichenketten Datum und Zeit Standardeingabe und -ausgabe list, tuple dict, set Verzweigungen und Schleifen (if, for, while) Funktionen (ca. 5 Tage) Eigene Funktionen definieren Variablen Parameter, Rekursion Funktionale Programmierung Fehlerbehebung (ca. 0,5 Tage) try, except Programmunterbrechungen abfangen Objektorientierte Programmierung (ca. 4,5 Tage) Python-Klassen Methoden Unveränderliche Objekte Datenklasse Vererbung Grafische Benutzeroberfläche (ca. 1 Tag) Buttons und Textfelder grid-Layout Dateiauswahl Projektarbeit (ca. 3 Tage) Zur Vertiefung der gelernten Inhalte Präsentation der Projektergebnisse Machine Learning Einführung in Machine Learning (ca. 5 Tage) Warum Machine Learning? Anwendungsbeispiele Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen Beispiele für Datenbestände Daten kennenlernen Trainings-, Validierungs- und Testdaten Daten sichten Vorhersagen treffen Überwachtes Lernen (ca. 5 Tage) Klassifikation und Regression Verallgemeinerung, Overfitting und Underfitting Größe des Datensatzes Algorithmen zum überwachten Lernen Lineare Modelle Bayes-Klassifikatoren Entscheidungsbäume Random Forest Gradient Boosting k-nächste-Nachbarn Support Vector Machines Conditional Random Field Neuronale Netze und Deep Learning Wahrscheinlichkeiten Unüberwachtes Lernen (ca. 5 Tage) Arten unüberwachten Lernens Vorverarbeiten und Skalieren Datentransformationen Trainings- und Testdaten skalieren Dimensionsreduktion Feature Engineering Manifold Learning Hauptkomponentenzerlegung (PCA) Nicht-negative-Matrix-Faktorisierung (NMF) Manifold Learning mit t-SNE Clusteranalyse k-Means-Clustering Agglomeratives Clustering Hierarchische Clusteranalyse DBSCAN Clusteralgorithmen Evaluierung und Verbesserung (ca. 2 Tage) Modellauswahl und Modellevaluation Abstimmung der Hyperparameter eines Schätzers Kreuzvalidierung Gittersuche Evaluationsmetriken Klassifikation Projektarbeit (ca. 3 Tage) Zur Vertiefung der gelernten Inhalte Präsentation der Projektergebnisse Deep Learning Einführung Deep Learning (ca. 1 Tag) Deep Learning als eine Art von Machine Learning Grundlagen in neuronalen Netzen (ca. 4 Tage) Perceptron Berechnung neuronaler Netze Optimierung der Modellparameter, Backpropagation Deep‐Learning‐Bibliotheken Regression vs. Klassifikation Lernkurven, Überanpassung und Regularisierung Hyperparameteroptimierung Stochastischer Gradientenabstieg (SGD) Momentum, Adam Optimizer Lernrate Convolutional Neural Network (CNN) (ca. 2 Tage) Bildklassifizierung Convolutional‐Schichten, Pooling‐Schichten Reshaping‐Schichten, Flatten, Global‐Average‐ Pooling CNN‐Architekturen ImageNet‐Competition Tiefe neuronale Netze, Vanishing Gradients, Skip‐Verbindungen, Batch‐Normalization Transfer Learning (ca. 1 Tag) Anpassen von Modellen Unüberwachtes Vortrainieren Image‐Data‐Augmentation, Explainable AI Regional CNN (ca. 1 Tag) Objektlokalisierung Regressionsprobleme Verzweigte neuronale Netze Generative Adversarial Networks (ca. 1 Tag) Anwendungen von GANs Deepfakes Deep‐Convolutional‐GANs Recurrente neurale Netze (ca. 2 Tage) Sequenzanalyse Rekurrente Schichten Backpropagation through time (BPTT) Analyse von Zeitreihen Exploding und Vanishing Gradient Probleme LSTM (Long Short‐Term Memory) GRU (Gated Recurrent Unit) Deep RNN Deep LSTM Textverarbeitung durch neuronale Netze (ca. 2 Tage) Text‐Preprocessing Embedding‐Schichten Text‐Klassifizierung Sentimentanalyse Transfer‐Learning in NLP Übersetzungen Seqence‐to‐Sequence‐Verfahren, Encoder‐ Decoder‐Architektur Sprachmodelle (ca. 1 Tag) BERT Attention‐Schichten, Transformers Textgeneration‐Pipelines Summarization Chatbots Deep Reinforcement Learning (ca. 1 Tag) Steuerung dynamischer Systeme Agentensysteme Training durch Belohnungen Policy Gradients Deep‐Q‐Learning Bayes´sche neuronale Netze (ca. 1 Tag) Unsicherheiten in neuronalen Netzen Statistische Bewertung von Prognosen Konfidenz, Standardabweichung Unbalancierte Daten Sampling‐Methoden Projektarbeit (ca. 3 Tage) Zur Vertiefung der gelernten Inhalte Präsentation der Projektergebnisse |
| Gelistet in folgenden Rubriken: |
|---|