KI-Spezialist:in
| Kurs-ID | 11664-2023-10-09 |
| Datum | 09.10.2023 bis 01.12.2023 |
| Dauer | 8 Woche(n) |
| 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 | Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-) Ingenieurwissenschaften |
| Abschluss | alfatraining-Zertifikat „KI-Spezialist:in“ |
| Förderung | Bildungsgutschein (Arbeitsuchende und Arbeitslose), Weiterbildungsförderung für Beschäftigte, Europäischer Sozialfonds ESF (Kurzarbeit oder Transfergesellschaften). Weitere Förderstellen: Berufsförderungsdienst (BFD), die Berufsgenossenschaft (BG) sowie der Rentenversicherungsträger (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 | Keine Angabe. |
|
Veranstaltungsort
|
alfatraining Bildungszentrum GmbH
Reichenaustr. 11 78467 Konstanz |
| Abendkurs | Bildungsgutschein | Barierrefreier Zugang |
|---|---|---|
| Nein | Ja | k. A. |
| Beschreibung |
|---|
| Der Kurs führt von den Grundlagen des Machine Learning über die beiden Kategorien überwachtes und unüberwachtes Lernen zum abschließenden Thema Evaluierung und Verbesserung. Außerdem werden die Methoden des Deep Learnings auf Basis von neuronalen Netzen mit dazugehörigen Tools erläutert. KI-Spezialist:in 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 Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert. |
| Schlagworte |
|---|
| datenverarbeitung, datenanalyse |
| Gelistet in folgenden Rubriken: |
|---|