Diese Schulung soll ein tiefgreifendes Verständnis der grundlegenden Konzepte und fortgeschrittenen Techniken vermitteln, die für Datenwissenschaft und -analyse erforderlich sind. Sie vermittelt Kenntnisse in Datenwissenschaft, maschinellem Lernen (ML), Deep Learning, Python, Datenmodellierung und Datenvisualisierung.
Einführung in Echtzeit-Systeme für maschinelles Lernen- Verständnis der Bedeutung der Echtzeit-Datenverarbeitung in modernen Anwendungen für KI und maschinelles Lernen.
- Überblick über die Architektur und die Tools, die beim Aufbau von Echtzeitsystemen verwendet werden, wie Apache Kafka, Apache Spark und AWS.
- Einführung in die Stream-Verarbeitung und ihre Unterschiede zur Stapelverarbeitung in der Datenwissenschaft.
- Entwurf von Echtzeit-Datenpipelines zur Aufnahme, Verarbeitung und Analyse von Streaming-Daten.
- Verwendung von Python und Kafka für die Echtzeit-Datenerfassung und -vorverarbeitung.
- Sicherstellung der Datenkonsistenz und -integrität in Echtzeitsystemen mit Apache Kafka und Flink.
- Integration von Modellen für maschinelles Lernen in Echtzeitsysteme für Aufgaben wie Betrugserkennung und Empfehlungsmaschinen.
- Verwendung von Scikit-learn und TensorFlow zur Bereitstellung von Modellen für Echtzeitvorhersagen.
- Training von Modellen anhand historischer Daten und deren Anwendung in Echtzeitumgebungen.
- Einrichtung von Überwachungswerkzeugen zur Verfolgung der Modellleistung in Produktionsumgebungen.
- Techniken zur Optimierung von Echtzeitvorhersagen, einschließlich Modellumschulung und Aktualisierung mit neuen Daten.
- Verwendung von Cloud-Diensten wie AWS und Google Cloud zur Bereitstellung skalierbarer Machine-Learning-Modelle.
Maschinelles Lernen für die Datenwissenschaft umfasst Echtzeitsysteme mit Apache Kafka, Apache Spark und AWS, wobei Maschinelles Lernen, Python, Scikit-learn, TensorFlow, Datenmodellierung und Datenvisualisierung eingesetzt werden.