Daten: Maschinelles Lernen und Deep Learning in Daten
Dieser Kurs bietet eine umfassende Einführung in die Techniken des maschinellen Lernens (ML) und des Deep Learning (DL) und vermittelt den Lernenden die Fähigkeiten, KI-Modelle zu entwickeln, zu trainieren und zu optimieren. Die Teilnehmer sammeln praktische Erfahrungen mit Python, ML-Algorithmen, Deep-Learning-Frameworks und realen KI-Anwendungen.
Kursmodule:

Einführung in Python für maschinelles Lernen und Deep Learning
  • Erlernen Sie Python-Syntax, Datentypen und Funktionen für ML und DL.
  • Arbeiten Sie mit Python-Bibliotheken wie Pandas, NumPy und Scikit-learn.
  • Richten Sie Python-Umgebungen mit Jupyter Notebooks und Anaconda ein.
Grundlagen des maschinellen Lernens (ML)
  • Verstehen Sie den Unterschied zwischen überwachtem und unüberwachtem Lernen.
  • Lernen Sie Klassifizierungs-, Regressions- und Clustering-Techniken kennen.
  • Erkunden Sie das Training, die Bewertung und die Optimierung von ML-Modellen.
Überwachte Lerntechniken
  • Implementieren Sie lineare Regression, Entscheidungsbäume und Support-Vector-Machines (SVMs).
  • Lernen Sie Ensemble-Lerntechniken wie Random Forest und Gradient Boosting kennen.
  • Optimieren Sie die Modellleistung mithilfe von Hyperparameter-Tuning und Kreuzvalidierung.
Unüberwachtes Lernen und Clustering
  • Verstehen Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
  • Lernen Sie Methoden zur Reduzierung der Dimensionalität wie PCA und t-SNE kennen.
  • Erkunden Sie reale Anwendungen des unüberwachten Lernens.
Einführung in Deep Learning (DL)
  • Verstehen Sie die Struktur künstlicher neuronaler Netze (ANNs).
  • Lernen Sie Aktivierungsfunktionen, Schichten und Backpropagation kennen.
  • Arbeiten Sie mit Deep-Learning-Frameworks wie TensorFlow und Keras.
Deep-Learning-Architekturen
  • Erstellen Sie Convolutional Neural Networks (CNNs) für die Bildklassifizierung.
  • Verstehen Sie Recurrent Neural Networks (RNNs) für die sequentielle Datenverarbeitung.
  • Erkunden Sie generative gegnerische Netzwerke (GANs) und Autoencoder.
Modellbewertung und -optimierung
  • Erkunden Sie Leistungskennzahlen wie Genauigkeit, Präzision, Recall und F1-Score.
  • Verwenden Sie Techniken wie Kreuzvalidierung, Dropout und Batch-Normalisierung.
  • Erfahren Sie mehr über Kompromisse zwischen Verzerrung und Varianz und die Vermeidung von Überanpassung.
Praktische Projekte zu maschinellem Lernen und Deep Learning
  • Wenden Sie ML- und DL-Modelle auf reale Datensätze an.
  • Arbeiten Sie an Bilderkennung, Textverarbeitung und Zeitreihenprognosen.
  • Setzen Sie durchgängige KI-gesteuerte Lösungen unter Verwendung von ML- und DL-Techniken ein.

Dieser Kurs umfasst Themen wie überwachte Lerntechniken, unüberwachtes Lernen und Deep-Learning-Architekturen in der Datenverarbeitung.