Im Anschluss an diese Maßnahme können Sie Modelle des Machine Learnings und Deep Learning entwickeln und implementieren. Sie nutzen TensorFlow für die Programmierung und Optimierung neuronaler Netze und setzen Reinforcement-Learning-Algorithmen ein, um komplexe Problemlösungen zu automatisieren. Sie führen Projektarbeiten eigenständig durch und sind in der Lage, analytische Datenverarbeitungsprozesse zu gestalten. Ihre Kenntnisse ermöglichen Ihnen Tätigkeiten in Bereichen wie künstliche Intelligenz, Datenanalyse oder Softwareentwicklung.
- Einführung in Machine Learning
- Arten des Machine Learning
- Entwicklung eines Machine-Learning-Systems
- Datenvorbereitung für Machine Learning
- Training und Auswahl eines Vorhersagemodells
Neuronale Netze und Deep Learning
- Einführung in neuronale Netze
- Grundprinzipien und Architektur von neuronalen Netzen
- Mathematische Grundlagen neuronaler Netze
- Aktivierungsfunktionen und ihre Bedeutung
- Grundlagen des Deep Learning
Modellierung und Optimierung
- Modellbewertung und Hyperparameter-Tuning
- Verwendung von Scikit-Learn für Klassifikationen
- Regularisierung und Vermeidung von Overfitting
- Verlustfunktionen und Optimierungsalgorithmen
- Herausforderungen und Best Practices beim Training neuronaler Netze
TensorFlow und Keras
- Installation und Einrichtung von TensorFlow
- Grundlegende Verwendung von TensorFlow
- Verwendung von Keras
- Erstellen von Machine-Learning-Modellen mit Keras
- Analyse von Machine Learning in TensorFlow
Reinforcement Learning
- Einführung in Reinforcement Learning
- Grundkonzepte und Terminologie
- Agenten und Umgebungen
- Markov-Entscheidungsprozesse (MDP)
- Deep Reinforcement Learning