Kursbeschreibung
Dieser Intensivkurs richtet sich an Einsteiger im Bereich Machine Learning. Alle Themen werden praxisnah vermittelt und anhand von Live-Beispielen, echten Modellen und realen Daten erklärt.
Der Kurs behandelt eine breite Themenpalette – von der Mustererkennung in Bildern bis hin zur Analyse und Generierung von Texten. Dadurch erhältst du einen umfassenden Einstieg in zentrale Anwendungsbereiche des Machine Learnings.
Die wichtigsten Themen im Überblick
- Machine Learning fundiert verstehen
- Neuronale Netze selbst entwickeln
- TensorFlow & Keras professionell nutzen
- Daten optimal vorbereiten
- Deep Learning praxisnah anwenden
- KI-Projekte von Anfang bis Ende
Zielgruppe
Einsteiger im Bereich Machine Learning, Data Scientists, Software EntwicklerInnen
Voraussetzung für die Schulung
Gute Programmierkenntnisse, am besten in Python (Verstehen ist wichtiger als schreiben).
Kursinhalte
Folgende Lerninhalte werden in unserem Python Kurs vermittelt:
- Einführung und Übersicht
- Begriffsklärung: Machine Learning, Neuronale Netze, Deep Learning, AI, Perzeptron…
- Aufsetzen der Python-Umgebung (Scipy, Keras, TensorFlow…)
- Machine Learning Grundlagen
- Python und Einführung Machine Learning
- Crashkurs und Übersicht Numpy und Pandas
- Maschinelles lernen richtig verstehen ohne ML Bibliotheken
- Das Perzeptron
- Mathematische Grundlagen einfach erklärt
- Skalarprodukte und Heaviside-Funktion (ja wirklich Heaviside)
- Delta-Regeln
- Neuronen mit Bias
- Eingabe- und Ausgabe-Neuronen
- Lernrate und Training
- Visualisierung mit Matplotlib und Pandas
- Datenaufbereitung, Testsets und Parameter
- Richtige Trainingsdaten auswählen
- Varianzen und potentielle Probleme
- Ungereimtheiten und Abweichungen finden
- Einschätzung Machbarkeit, Ressourcen-Aufwand, Genauigkeit & Co
- Daten vektorisieren und standardisieren
- CSV- und Text-Dateien
- Bilder
- Andere Datenquellen
- Neuronale Netze mit Tensorflow
- Übersicht und Architektur
- Tensorflow 2.0
- Was ist ein neuronales Netzwerk?
- Überwachtes lernen mit neuronalen Netzwerken
- Modelle für verschiedene Szenarien
- Arten von Algorithmen
- Bild-Klassifizierung
- Textverständnis
- Validierung der eigenen Modelle
- Deep Learning und Keras
- Aktuelle Trends
- Anwendungsbereiche und aktuelle Beispiele
- Unüberwachtes lernen
- Arten von Netzwerken und Modellen
- Keras
- Dataset Objects
- Modelle trainieren
- GPU Optimierung
- Modell Konfigurationen
- KerasTuner
- Echte Beispiele von Anfang bis Ende
- Visualisierung des Modells
