Machine Learning Kurs

Inhalte:

• Data Science und Machine Learning: Ursprünge, Trends und Entwicklungen
• Supervised Learning für Predictive Analytics
• Unsupervised Learning und Data Mining
• Lineare und logistische Regression
• Decision Trees, Random Forests, Boosting
• Clustering-Methoden
• Einführung in Deep Learning mit künstlichen neuronalen Netzen
• Wahl des richtigen Modells in Abhängigkeit von Daten und Aufgabenstellung
• Erkennung von Overfitting und Strategien dagegen
• Interpretierbarkeit von Vorhersagen
• Hyperparameter
• Modellvalidierung und die Verlustfunktion
• Die wichtigsten Tools und Methoden des maschinellen Lernens
• R und Python für Machine Learning
• Crashkurs Python
• Anbindung von Datenquellen
• Praxisprojekt: Entwicklung und Validierung eines eigenen Vorhersagemodells

Das Seminar verfolgt das Ziel, Sie möglichst gut auf die konkrete Umsetzung eigener Fragestellungen vorzubereiten. Im Zuge unseres „Customised Learning“-Ansatzes erhalten Sie die Möglichkeit, bereits vor Seminarbeginn dem Dozenten Ihre individuelle Fragestellung zu schicken, die anschließend im Kurs diskutiert wird.

Die erfolgreiche Teilnahme wird den Teilnehmern zertifiziert.

Ihr Mehrwert: Sie lernen Machine Learning für Ihre Fragestellungen zu nutzen. Für die Übungen haben wir aus unserer Erfahrung diejenigen Modelle ausgewählt, die Sie am häufigsten in der Praxis benötigen. So werden Sie in die Lage versetzt, in Ihrem Unternehmen selbstständig Vorhersagemodelle zu entwickeln.

Maschinelles Lernen und künstliche Intelligenz haben sich in den letzten Jahren enorm weiterentwickelt und werden auch in den nächsten Jahrzehnten unsere Wirtschaft maßgeblich prägen. Selbstlernende Algorithmen können für ganz unterschiedliche Fragestellungen trainiert werden. Nachdem sie aus Daten gelernt haben, erlauben Sie Prognosen, unterstützen Entscheidungen oder decken neue Zusammenhänge auf.

Das Seminar startet mit einem Überblick über die Felder Data Science, künstliche Intelligenz und maschinelles Lernen. Dabei werden Begriffe geklärt und aktuelle Trends und Fortschritte vorgestellt. Im Anschluss daran werden die wichtigsten klassischen Algorithmen des maschinellen Lernens behandelt. Welche Modelle erlauben die höchste Vorhersagegenauigkeit? Bei welchen Modellen ist die Interpretation der Ergebnisse am besten möglich? Anhand von Beispielen wählen Sie für unterschiedliche Fragestellungen die geeignete Methode. In einer Einführung zu Deep Learning lernen Sie die Unterschiede der klassischen Algorithmen zu neuronalen Netzen und die Grundzüge, der Funktionsweise. Außerdem behandelt das Seminar auch die Validierung von Vorhersagen, sodass Sie die Ergebnisse eines Algorithmus bewerten können.

Im Praxisprojekt setzen Sie selbst den typischen Data Science Workflow um. Ein Crashkurs zu den Tools versetzt Sie in die Lage, eigene Fragestellungen zu behandeln. Daraufhin erhalten Sie echte Daten, binden diese an und trainieren ein Modell. Sie decken dabei neue Zusammenhänge auf, indem Sie beispielsweise die Variablenwichtigkeit auswerten. Nachdem Sie die Modelle validiert haben, wenden Sie diese auf neue Daten an und treffen Vorhersagen.

Praxis-Projekte

Im Praxisprojekt mit Echtdaten kommt das Gelernte zum Einsatz. Im Kurs wird das folgende Praxisprojekt durchgeführt:

Bewegungs-Sensordaten.Im Kurs selbst werden echte Daten aus Bewegungssensoren aufgezeichnet. Solche Sensordaten kommen beispielsweise in der Logistik für die Erkennung von Stößen oder aber auch bei Fitness-Trackern zum Einsatz. Anschließend nutzen Sie diese Daten und entwickeln ein Vorhersagemodell. Das Modell ist nachher in der Lage, für neue Daten vorherzusagen, ob eine bestimmte Bewegung stattgefunden hat. Sie lernen in diesem Projekt sowohl unüberwachtes als auch überwachtes Lernen kennen. Letzteres kommt dann für die Vorhersage zum Einsatz.

✓ IOMIDS akzeptiert den Bildungsscheck. Als Einzelperson oder KMU aus NRW übernimmt das Land NRW bis zu 50% der Kosten für die Kurse von IOMIDS. Weitere Infos