ExperTeach Networking Logo

Machine Learning

Data Science und künstliche Intelligenz

ExperTeach Networking Logo

Die Themen Data Science, künstliche Intelligenz und Machine Learning bilden heute das Rückgrat jeder IoT- oder Digitalisierungslösung, versteckt sich dahinter doch die eigentliche Wertschöpfung. Dieses Training gibt einen Einblick, nach welchen Methoden und mit welchen Technologien digitale Daten aufbereitet, analysiert und für eine selbstlernende Business-Optimierung genutzt werden können. Der Kurs ist an den Erfordernissen der Industrie ausgerichtet und mit vielen interaktiven Übungen versehen, die sowohl für den direkten Anwender als auch den Entscheider aufbereitet sind. Somit wird ein fundierter sowie breiter Einstieg in die Bereiche künstliche Intelligenz und Machine Learning ermöglicht. Dabei werden die benötigten Kernkompetenzen für die Ausarbeitung neuer oder Bewertung bestehender Konzepte vermittelt und der Praxisbezug hergestellt.

Kursinhalt

  • Einführung Data Science, Machine Learning und Künstliche Intelligenz
  • Grundlagen Python rund um Datenverarbeitung, Statistik und Datenvisualisierung
  • Machine Learning Workflow
  • Lernszenarien und ihre Einsatzgebiete (u. a. Predictive Analytics, Bots,   Empfehlungsdienste)
  • Machine Learning Methoden im Vergleich (vom Decision Tree bis hin zu Deep Learning)- Künstliche neuronale Netze- Entscheidungsbäume- Support Vector Machines - Clustering
  • Modelle richtig bewerten und validieren
  • Überblick an Software und Tools
  • Anwendungs- und Praxisbeispiele (Was ist Hype und was hat Potential?)
  • Fragen und Ängste im gesellschaftlichen Kontext
  • durchgehende, interaktive Hands-On mit Übungen

Print E-Book PDF Symbol Sie erhalten das ausführliche deutschsprachige Unterlagenpaket aus der Reihe ExperTeach Networking – Print, E-Book und personalisiertes PDF! Bei Online-Teilnahme erhalten Sie das E-Book sowie das personalisierte PDF.

Zielgruppe

Der Kurs wendet sich an IT-affine Teilnehmer (vom Anwender bis hin zum Entscheider), die einen breiten Einstieg in die Themen Data Science, künstliche Intelligenz und Machine Learning für die Anwendung suchen.

Voraussetzungen

Die Teilnehmer sollten ein Verständnis und Interesse an den Trendthemen Digitalisierung, Big Data und IoT mitbringen. Grundlegende Programmierkenntnisse sind von Vorteil.

Ergänzende und aufbauende Kurse

Der Kurs Python für Data Science – Datenanalyse und Einblick Machine Learning vermittelt die Anwendung der wichtigsten Grundwerkzeuge für die Datenanalyse in Python. Zusammen mit diesem Kurs bildet er die ideale Grundlage für den praxisnahen Machine Learning Workshop.

1 Machine Learning im Überblick
1.1 Was ist Machine Learning?
1.1.1 Schon wieder Statistik
1.1.2 Die Zeit ist reif.
1.1.3 Künstliche Intelligenz
1.2 Aktuelle Beispiele
1.2.1 AlphaGo
1.2.2 Spracherkennung
1.2.3 Online-Shopping
   
2 Machine Learning von A bis Z
2.1 Intro und Motivation
2.2 Grundlagen am Beispiel
2.2.1 Vorbereitung der Daten
2.2.2 Feature-Extraction
2.2.3 Feature Engineering
2.2.4 Training
2.2.5 Performance
2.2.6 Optimierung
2.2.7 Validierung
2.3 Zusammenfassung
   
3 Deskriptive Statistik
3.1 Intro und Motivation
3.1.1 Survivorship Bias und die Excel-Frage
3.2 Grundlagen und Hands-On
3.3 Python - die Grundlagen
3.3.1 Scientific Computing in Python mit numpy und pandas
3.3.2 Datenvisualisierung in Python mit matplotlib
3.4 Grundlagen der Statistik
3.4.1 Verteilungen
3.4.2 Zentralwerte
3.4.3 Klassenbildung
3.4.4 Korrelationen
3.5 Zusammenfassung
   
4 Anpassungen und Minimierungen
4.1 Intro und Motivation
4.1.1 Häufige Verteilungen
4.1.2 Normalverteilungen und Fits
4.1.3 Erwartungen und Erfahrungen
4.2 Fitmethoden
4.2.1 Die Methode der kleinsten Quadrate
4.2.2 Likelihood Fits
4.3 Fits bewerten
4.3.1 Goodness of Fit
4.3.2 Viele Dimensionen
4.3.3 Bias-Variance-Dilemma und Overfitting
4.3.4 Fitergebnisse richtig interpretieren
4.4 Materie-Antimaterie-Asymmetrie
4.5 Zusammenfassung
   
5 Lernszenarien und Aufgabenstellung
5.1 Intro und Motivation
5.2 Lernszenarien
5.2.1 Supervised Learning
5.2.2 Unsupervised Learning
5.2.3 Reinforcement Learning
5.3 Aufgabenstellung
5.4 Was gibt es sonst noch?
5.5 Zusammenfassung
   
6 Vorbereitung der Daten
6.1 Intro und Motivation
6.2 Grundlagen: Features und Merkmale
6.3 Bereinigung der Daten
6.3.1 Ausreißer
6.3.2 Expertenwissen
6.4 Feature Engineering
6.4.1 Encoding
6.4.2 Runden, Diskretisierung
6.5 Feature Selection
6.5.1 Korrelationen
6.5.2 Reduzierung
6.6 Zusammenfassung
   
7 Von Bäumen und Netzen
7.1 Intro und Motivation
7.2 Abgrenzung zwischen Bäumen und Netzen
7.2.1 Entscheidungsbaum
7.2.2 Random Forest
7.2.3 Perceptron
7.2.4 Multi Layer Perceptron
7.2.5 Abgrenzung zum Deep Learning
7.3 Klassifizierung von Murmeln
7.3.1 Manuelle Trennung
7.3.2 Aufbau der Daten-Pipeline
7.3.3 K-Means
7.3.4 Random Forest
7.3.5 Multi-Layer-Perceptron
7.3.6 Features
7.4 Zusammenfassung
   
8 Validierung und Performance
8.1 Intro und Motivation
8.2 Performanceanalyse
8.2.1 Vorhersagewahrscheinlichkeiten
8.2.2 Falsch Positive - Fall-Out
8.2.3 Auch auf die Sensitivity kommt es an.
8.2.4 Confusion Matrix
8.2.5 Abgeleitete Kennzahlen und Raten
8.2.6 ROC und AUC
8.3 Validierungsbeispiele
8.3.1 Train-Test-Split
8.3.2 K-Faltigkeiten
8.3.3 Kreuzvalidierung
8.4 Zusammenfassung
   
9 Anwendungen und Praxisbeispiele
9.1 Chatbots
9.1.1 Was ist ein Chatbot?
9.1.2 Weitere Bot-Typen
9.1.3 Turing-Test
9.1.4 Funktionsweise
9.1.5 Die bekanntesten Chat-Bots
9.2 Empfehlungsdienste
9.2.1 Was ist ein Empfehlungssystem?
9.2.2 Einflussgrößen
9.2.3 Beispiele
9.2.4 Der Netflix-Preis
9.3 Bilderkennung
9.3.1 Bilderkennung für das autonome Fahren
9.3.2 Medizinische Bilderkennung
9.3.3 Ausblick
9.4 Industrielle Anwendung und Herausforderung
9.4.1 Predictive Maintenance
9.4.2 Predictive Quality
9.5 Natural Language Processing
9.5.1 Schrifterkennung
9.5.2 Syntaktische Aufgaben
9.5.3 Semantische Aufgaben
9.5.4 Weitere Anwendungsfelder
9.5.5 Techniken am Beispiel Sentimentanalyse
   
10 ML-Methoden im Vergleich
10.1 Intro und Motivation
10.2 Neue ML-Modelle
10.2.1 Support Vector Machines
10.2.2 K-Nearest Neighbors
10.2.3 Clustering-Methoden
10.3 Testdatensätze
10.3.1 Entscheidungsbaum
10.3.2 Multi Layer Perceptron (MLP)
10.3.3 Deep MLP
10.3.4 K-Nearest Neighbors
10.3.5 Support Vector Machines
10.3.6 K-Means
10.3.7 Gaussian Mixture
10.3.8 DBSCAN
10.4 Zusammenfassung
   
11 Software und Tools
11.1 Intro und Motivation
11.2 Machine Learning as a Service
11.3 Machine Learning in Python
11.3.1 Weitere Pakete
11.4 Andere Frameworks
11.4.1 Weitere Open Source Frameworks
11.4.2 Proprietäre Lösungen
11.5 Zusammenfassung
   
12 Gesellschaftliche Aspekte
12.1 Intro und Motivation
12.2 Anreize für eine Diskussion
12.3 Robotergesetze
12.4 Biased Data und Potentiale
12.5 Technologische Singularität und die großen Fragestellungen
12.6 Unterstützen statt Ersetzen
12.7 Datenschutz und Privacy
12.8 Das Lernen

Classroom Training

Bevorzugen Sie die klassische Trainingsmethode? Ein Kurs in einem unserer Training Center, mit einem kompetenten Trainer und dem direkten Austausch zwischen allen Teilnehmern? Dann buchen Sie einen der Classroom Training Termine!

Hybrid Training

Hybrid Training bedeutet, dass zusätzliche Online-Teilnehmer an einem Präsenzkurs teilnehmen können. Die Dynamik eines realen Kurses bleibt erhalten, wovon besonders auch die Online-Teilnehmer profitieren. Als Online-Teilnehmer eines Hybrid-Kurses nutzen Sie eine Collaboration-Plattform wie WebEx Training Center oder Saba Meeting. Dazu wird nur ein PC mit Browser und Internet-Anschluss benötigt, ein Headset und idealerweise eine Webcam. Im Kursraum setzen wir speziell entwickelte und angepasste hochwertige Audio- und Videotechnik ein. Sie sorgt dafür, dass die Kommunikation zwischen allen Beteiligten angenehm und störungsfrei funktioniert.

Online Training

Möchten Sie einen Kurs online besuchen? Zu diesem Kursthema bieten wir Ihnen Online-Kurstermine an. Als Teilnehmer benötigen Sie dazu einen PC mit Internet-Anschluss (mindestens 1 Mbit/s), ein Headset, falls Sie per VoIP arbeiten möchten und optional eine Kamera. Weitere Informationen und technische Empfehlungen finden Sie hier.

Inhouse-Schulung

Benötigen Sie einen maßgeschneiderten Kurs für Ihr Team? Neben unserem Standard-Angebot bieten wir Ihnen an, Kurse speziell nach Ihren Anforderungen zu gestalten. Gerne beraten wir Sie hierzu und erstellen Ihnen ein individuelles Angebot.
Inhouse-Schulung jetzt anfragen >>>
PDF SymbolDie gesamte Beschreibung dieses Kurses mit Terminen und Preisen zum Download als PDF.

Die Themen Data Science, künstliche Intelligenz und Machine Learning bilden heute das Rückgrat jeder IoT- oder Digitalisierungslösung, versteckt sich dahinter doch die eigentliche Wertschöpfung. Dieses Training gibt einen Einblick, nach welchen Methoden und mit welchen Technologien digitale Daten aufbereitet, analysiert und für eine selbstlernende Business-Optimierung genutzt werden können. Der Kurs ist an den Erfordernissen der Industrie ausgerichtet und mit vielen interaktiven Übungen versehen, die sowohl für den direkten Anwender als auch den Entscheider aufbereitet sind. Somit wird ein fundierter sowie breiter Einstieg in die Bereiche künstliche Intelligenz und Machine Learning ermöglicht. Dabei werden die benötigten Kernkompetenzen für die Ausarbeitung neuer oder Bewertung bestehender Konzepte vermittelt und der Praxisbezug hergestellt.

Kursinhalt

  • Einführung Data Science, Machine Learning und Künstliche Intelligenz
  • Grundlagen Python rund um Datenverarbeitung, Statistik und Datenvisualisierung
  • Machine Learning Workflow
  • Lernszenarien und ihre Einsatzgebiete (u. a. Predictive Analytics, Bots,   Empfehlungsdienste)
  • Machine Learning Methoden im Vergleich (vom Decision Tree bis hin zu Deep Learning)- Künstliche neuronale Netze- Entscheidungsbäume- Support Vector Machines - Clustering
  • Modelle richtig bewerten und validieren
  • Überblick an Software und Tools
  • Anwendungs- und Praxisbeispiele (Was ist Hype und was hat Potential?)
  • Fragen und Ängste im gesellschaftlichen Kontext
  • durchgehende, interaktive Hands-On mit Übungen

Print E-Book PDF Symbol Sie erhalten das ausführliche deutschsprachige Unterlagenpaket aus der Reihe ExperTeach Networking – Print, E-Book und personalisiertes PDF! Bei Online-Teilnahme erhalten Sie das E-Book sowie das personalisierte PDF.

Zielgruppe

Der Kurs wendet sich an IT-affine Teilnehmer (vom Anwender bis hin zum Entscheider), die einen breiten Einstieg in die Themen Data Science, künstliche Intelligenz und Machine Learning für die Anwendung suchen.

Voraussetzungen

Die Teilnehmer sollten ein Verständnis und Interesse an den Trendthemen Digitalisierung, Big Data und IoT mitbringen. Grundlegende Programmierkenntnisse sind von Vorteil.

Ergänzende und aufbauende Kurse

Der Kurs Python für Data Science – Datenanalyse und Einblick Machine Learning vermittelt die Anwendung der wichtigsten Grundwerkzeuge für die Datenanalyse in Python. Zusammen mit diesem Kurs bildet er die ideale Grundlage für den praxisnahen Machine Learning Workshop.

1 Machine Learning im Überblick
1.1 Was ist Machine Learning?
1.1.1 Schon wieder Statistik
1.1.2 Die Zeit ist reif.
1.1.3 Künstliche Intelligenz
1.2 Aktuelle Beispiele
1.2.1 AlphaGo
1.2.2 Spracherkennung
1.2.3 Online-Shopping
   
2 Machine Learning von A bis Z
2.1 Intro und Motivation
2.2 Grundlagen am Beispiel
2.2.1 Vorbereitung der Daten
2.2.2 Feature-Extraction
2.2.3 Feature Engineering
2.2.4 Training
2.2.5 Performance
2.2.6 Optimierung
2.2.7 Validierung
2.3 Zusammenfassung
   
3 Deskriptive Statistik
3.1 Intro und Motivation
3.1.1 Survivorship Bias und die Excel-Frage
3.2 Grundlagen und Hands-On
3.3 Python - die Grundlagen
3.3.1 Scientific Computing in Python mit numpy und pandas
3.3.2 Datenvisualisierung in Python mit matplotlib
3.4 Grundlagen der Statistik
3.4.1 Verteilungen
3.4.2 Zentralwerte
3.4.3 Klassenbildung
3.4.4 Korrelationen
3.5 Zusammenfassung
   
4 Anpassungen und Minimierungen
4.1 Intro und Motivation
4.1.1 Häufige Verteilungen
4.1.2 Normalverteilungen und Fits
4.1.3 Erwartungen und Erfahrungen
4.2 Fitmethoden
4.2.1 Die Methode der kleinsten Quadrate
4.2.2 Likelihood Fits
4.3 Fits bewerten
4.3.1 Goodness of Fit
4.3.2 Viele Dimensionen
4.3.3 Bias-Variance-Dilemma und Overfitting
4.3.4 Fitergebnisse richtig interpretieren
4.4 Materie-Antimaterie-Asymmetrie
4.5 Zusammenfassung
   
5 Lernszenarien und Aufgabenstellung
5.1 Intro und Motivation
5.2 Lernszenarien
5.2.1 Supervised Learning
5.2.2 Unsupervised Learning
5.2.3 Reinforcement Learning
5.3 Aufgabenstellung
5.4 Was gibt es sonst noch?
5.5 Zusammenfassung
   
6 Vorbereitung der Daten
6.1 Intro und Motivation
6.2 Grundlagen: Features und Merkmale
6.3 Bereinigung der Daten
6.3.1 Ausreißer
6.3.2 Expertenwissen
6.4 Feature Engineering
6.4.1 Encoding
6.4.2 Runden, Diskretisierung
6.5 Feature Selection
6.5.1 Korrelationen
6.5.2 Reduzierung
6.6 Zusammenfassung
   
7 Von Bäumen und Netzen
7.1 Intro und Motivation
7.2 Abgrenzung zwischen Bäumen und Netzen
7.2.1 Entscheidungsbaum
7.2.2 Random Forest
7.2.3 Perceptron
7.2.4 Multi Layer Perceptron
7.2.5 Abgrenzung zum Deep Learning
7.3 Klassifizierung von Murmeln
7.3.1 Manuelle Trennung
7.3.2 Aufbau der Daten-Pipeline
7.3.3 K-Means
7.3.4 Random Forest
7.3.5 Multi-Layer-Perceptron
7.3.6 Features
7.4 Zusammenfassung
   
8 Validierung und Performance
8.1 Intro und Motivation
8.2 Performanceanalyse
8.2.1 Vorhersagewahrscheinlichkeiten
8.2.2 Falsch Positive - Fall-Out
8.2.3 Auch auf die Sensitivity kommt es an.
8.2.4 Confusion Matrix
8.2.5 Abgeleitete Kennzahlen und Raten
8.2.6 ROC und AUC
8.3 Validierungsbeispiele
8.3.1 Train-Test-Split
8.3.2 K-Faltigkeiten
8.3.3 Kreuzvalidierung
8.4 Zusammenfassung
   
9 Anwendungen und Praxisbeispiele
9.1 Chatbots
9.1.1 Was ist ein Chatbot?
9.1.2 Weitere Bot-Typen
9.1.3 Turing-Test
9.1.4 Funktionsweise
9.1.5 Die bekanntesten Chat-Bots
9.2 Empfehlungsdienste
9.2.1 Was ist ein Empfehlungssystem?
9.2.2 Einflussgrößen
9.2.3 Beispiele
9.2.4 Der Netflix-Preis
9.3 Bilderkennung
9.3.1 Bilderkennung für das autonome Fahren
9.3.2 Medizinische Bilderkennung
9.3.3 Ausblick
9.4 Industrielle Anwendung und Herausforderung
9.4.1 Predictive Maintenance
9.4.2 Predictive Quality
9.5 Natural Language Processing
9.5.1 Schrifterkennung
9.5.2 Syntaktische Aufgaben
9.5.3 Semantische Aufgaben
9.5.4 Weitere Anwendungsfelder
9.5.5 Techniken am Beispiel Sentimentanalyse
   
10 ML-Methoden im Vergleich
10.1 Intro und Motivation
10.2 Neue ML-Modelle
10.2.1 Support Vector Machines
10.2.2 K-Nearest Neighbors
10.2.3 Clustering-Methoden
10.3 Testdatensätze
10.3.1 Entscheidungsbaum
10.3.2 Multi Layer Perceptron (MLP)
10.3.3 Deep MLP
10.3.4 K-Nearest Neighbors
10.3.5 Support Vector Machines
10.3.6 K-Means
10.3.7 Gaussian Mixture
10.3.8 DBSCAN
10.4 Zusammenfassung
   
11 Software und Tools
11.1 Intro und Motivation
11.2 Machine Learning as a Service
11.3 Machine Learning in Python
11.3.1 Weitere Pakete
11.4 Andere Frameworks
11.4.1 Weitere Open Source Frameworks
11.4.2 Proprietäre Lösungen
11.5 Zusammenfassung
   
12 Gesellschaftliche Aspekte
12.1 Intro und Motivation
12.2 Anreize für eine Diskussion
12.3 Robotergesetze
12.4 Biased Data und Potentiale
12.5 Technologische Singularität und die großen Fragestellungen
12.6 Unterstützen statt Ersetzen
12.7 Datenschutz und Privacy
12.8 Das Lernen

Classroom Training

Bevorzugen Sie die klassische Trainingsmethode? Ein Kurs in einem unserer Training Center, mit einem kompetenten Trainer und dem direkten Austausch zwischen allen Teilnehmern? Dann buchen Sie einen der Classroom Training Termine!

Hybrid Training

Hybrid Training bedeutet, dass zusätzliche Online-Teilnehmer an einem Präsenzkurs teilnehmen können. Die Dynamik eines realen Kurses bleibt erhalten, wovon besonders auch die Online-Teilnehmer profitieren. Als Online-Teilnehmer eines Hybrid-Kurses nutzen Sie eine Collaboration-Plattform wie WebEx Training Center oder Saba Meeting. Dazu wird nur ein PC mit Browser und Internet-Anschluss benötigt, ein Headset und idealerweise eine Webcam. Im Kursraum setzen wir speziell entwickelte und angepasste hochwertige Audio- und Videotechnik ein. Sie sorgt dafür, dass die Kommunikation zwischen allen Beteiligten angenehm und störungsfrei funktioniert.

Online Training

Möchten Sie einen Kurs online besuchen? Zu diesem Kursthema bieten wir Ihnen Online-Kurstermine an. Als Teilnehmer benötigen Sie dazu einen PC mit Internet-Anschluss (mindestens 1 Mbit/s), ein Headset, falls Sie per VoIP arbeiten möchten und optional eine Kamera. Weitere Informationen und technische Empfehlungen finden Sie hier.

Inhouse-Schulung

Benötigen Sie einen maßgeschneiderten Kurs für Ihr Team? Neben unserem Standard-Angebot bieten wir Ihnen an, Kurse speziell nach Ihren Anforderungen zu gestalten. Gerne beraten wir Sie hierzu und erstellen Ihnen ein individuelles Angebot.
Inhouse-Schulung jetzt anfragen >>>

PDF SymbolDie gesamte Beschreibung dieses Kurses mit Terminen und Preisen zum Download als PDF.