TensorFlow mit Zusatzqualifikation Python In dieser Weiterbildung erwerben Sie fundierte Kenntnisse im Bereich des maschinellen Lernens. Sie lernen, mit TensorFlow komplexe Modelle zu entwickeln und zu trainieren. Ein besonderer Fokus liegt auf der Anwendung von Python für die Implementierung von Algorithmen im maschinellen Lernen. Sie werden in die Grundlagen des maschinellen Lernens eingeführt. Dazu gehören überwachtes und unüberwachtes Lernen sowie die Datenvorverarbeitung. Anschließend erlernen Sie die Nutzung von TensorFlow zur Erstellung neuronaler Netze. Die Implementierung erfolgt in Python, wobei Sie die relevanten Bibliotheken und Frameworks kennenlernen. Zudem setzen Sie sich mit der Modellbewertung und -optimierung auseinander. Durch praktische Übungen und Projekte wenden Sie das erlernte Wissen an. Sie entwickeln eigene Modelle für verschiedene Anwendungsfälle im maschinellen Lernen. Dabei nutzen Sie Python und TensorFlow zur Implementierung und Validierung. Nach Abschluss der Weiterbildung sind Sie in der Lage, eigenständig Modelle des maschinellen Lernens mit TensorFlow zu entwickeln und zu implementieren. Sie können Python effektiv für die Programmierung und Anwendung dieser Modelle einsetzen.

TensorFlow Grundlagen & Einrichtung
  • Installation und Einrichtung mit Fokus auf machine learning
  • Grundlegende Verwendung von TensorFlow
  • Analyse von Verfahren im machine learning in TensorFlow
  • Allgemeine Tipps und Tricks zu TensorFlow

Modellentwicklung mit Keras
  • Verwendung von Keras zur Umsetzung von machine learning
  • Erstellen von Modellen mit Keras
  • Erstellen von FCN- und CNN-Modellen mit Anwendung im machine learning
  • Erstellen von RNN-Modellen mit Keras

Python Grundlagen für Machine Learning
  • Einführung: Algorithmen und Grundlagen in Python für machine learning
  • Syntax und Semantik
  • Variablen und Zuweisungen im Zusammenhang mit machine learning
  • Schleifen: for und while
  • Funktionen definieren und aufrufen zur Unterstützung von machine learning

Algorithmen & Datenstrukturen
  • Kontrollstrukturen: if, else, elif als Basis für machine learning
  • Fehlerbehandlung mit try und except
  • Datentypen: Ganzzahlen, Gleitkommazahlen, komplexe Zahlen im Rahmen von machine learning
  • Zeichenketten (str) und ihre Operationen
  • Listen und ihre Methoden mit Bezug auf machine learning