Python lernen: Kurse und Seminare auf der Plattform seminarmarkt.de!

Analyse von Daten tiefer neuronaler Netze mit Keras (TensorFlow)

Deep Learning Algorithmen finden bereits in unterschiedlichen Wirtschaftsbereichen und im Alltag Anwendung, zum Beispiel im Bereich autonomes Fahren, Sprach- und Texterkennung, optische Fehlererkennung sowie Online-Produktempfehlungen. Sie sind aktuell die bedeutendste und stärkste Algorithmusklasse im Bereich Machine Learning. Es sind bereits zahlreiche Frameworks zur Umsetzung und Arbeit mit Neuronalen Netzen auf dem Markt verfügbar, mit denen Anwendern die Analyse von mittels Deep Learning erleichtert wird. Keras (TensorFlow) ist aktuell das beliebteste Framework in der europäischen Industrie, da es sich durch seine Einfachheit und Mächtigkeit auszeichnet. Die dahinterstehende Open Source Community entwickelt das Framework stetig weiter und ermöglicht somit immer größere Möglichkeiten der Nutzbarkeit für Unternehmen. 

Sie erhalten eine umfassende Einführung in praktische Anwendung von Deep Learning im Bereich Bild-, Text- und Zeitreihendaten. Der Lehrgang orientiert sich dabei auf die Schwerpunkte Datenaufbereitung, Überwachung vom Training und dem finalen Deployment (Einsatz/ Übertragung). Er ist sehr praktisch orientiert, sodass Sie während des Lehrgangs selbst programmieren und Deep Learning Algorithmen trainieren. Am Ende des Lehrgangs sind Sie in der Lage, selbstständig Deep Learning Anwendungen auf Daten Ihres Unternehmens zu trainieren und zu testen, um somit neue Wertschöpfungspotentiale zu generieren.

Der Kurs Machine Learning mit R ist das zweite Modul des Lehrgangs Data Science Crash Course mit R. Mit dem Lehrgang erhalten eine fundierte, modular aufgebaute Einführung in die Themen Data Science, Künstliche Intelligenz und Machine Learning (Maschinelles Lernen) sowohl für numerische Daten als auch für Textdaten.

Das Modul Machine Learning mit R gibt einen Einblick in die unterschiedlichen Algorithmen des Maschinellen Lernens. Die Theorie dahinter wird dabei anhand von Praxis-Übungen aus den Bereichen Clustering, Virtuelle Sensoren und Zeitreihenvorhersage vermittelt. In diesem Modul werden Sie sich hauptsächlich mit der Anwendung des Machine Learning auf numerischen Daten beschäftigen.

Wenn heutzutage von Künstlicher Intelligenz gesprochen wird, meinen die meisten eigentlich Maschinelles Lernen. Denn anstatt dass Sie selbst Regeln erstellen, z. B. wie Sie eine Prozess möglichst effizient ablaufen lassen oder wann die nächste Wartung durchgeführt werden muss, finden Machine Learning Algorithmen mit Ihrer Hilfe diese Regeln selbst.

Dabei unterteilt sich Machine Learning in drei Hauptbereiche: Supervised Learning, Unsupervised Learning und Reinforcement Learning. Sie werden aus diesen Bereichen zahlreiche Algorithmen kennenlernen und ausgewählte Algorithmen (KMeans, DBSCAN, Random Forest, XGBoost, Neuronale Netze, LSTMs) in drei Praxis-Übungen selbst intensiv anwenden.

Feedbacks unserer Teilnehmer: https://www.provenexpert.com/dhl-data-science-seminare-gmbh/

Der Kurs Natural Language Processing (NLP) mit R ist das dritte Modul des Lehrgangs Data Science Crash Course mit R. Mit dem Lehrgang erhalten Sie eine fundierte und modular aufgebaute Einführung in die Themen Data Science, Künstliche Intelligenz und Machine Learning (Maschinelles Lernen) sowohl für numerische Daten als auch für Textdaten (auch mit Nutzung von ChatGPT).

 Das Modul Natural Language Processing (NLP) mit R gibt einen Einblick, wie Sie symbolische Daten (wie Wörter) verarbeiten können und dadurch ein Verständnis von Text und Sätzen erhalten. Diese Fertigkeit können Sie dann anwenden, um z. B. einen eigenen Chatbot zu entwickeln, einen Chatbot auf der Basis von ChatGPT zu implementieren oder andere symbolische oder ereignis-basierte Daten (wie z. B. Seitenaufrufe) zu modellieren und vorherzusagen. Gerne können Sie Ihre eigene Fragestellung inkl. der notwendigen Daten mitbringen.

Mit der Veröffentlichung einer einfachen, web-basierten Schnittstelle zum aktuell bekanntesten Large Language Model (LLM) ChatGPT (Generative Pre-trained Transformer von OpenAI) ist das Thema Künstliche Intelligenz in der breiten Öffentlichkeit angekommen. Damit diese Bots überhaupt mit uns interagieren können, benötigen sie ein gewisses Sprachverständnis. Hierfür wird die natürliche Sprachverarbeitung bzw. Natural Language Processing (NLP) eingesetzt.

Feedbacks unserer Teilnehmer: https://www.provenexpert.com/dhl-data-science-seminare-gmbh/

Was Sie in diesem Kurs lernen:

• Select and justify the appropriate ML approach for a given business problem
• Use the ML pipeline to solve a specific business problem
• Train, evaluate, deploy, and tune an ML model in Amazon SageMaker
• Describe some of the best practices for designing scalable, cost-optimized, and secure ML pipelines in AWS
• Apply machine learning to a real-life business problem after the course is complete

Module 1: Introduction to Data Engineering

• Explore the role of a data engineer.
• Analyze data engineering challenges.
• Intro to BigQuery.
• Data Lakes and Data Warehouses.
• Demo: Federated Queries with BigQuery.
• Transactional Databases vs Data Warehouses.
• Website Demo: Finding PII in your dataset with DLP API.
• Partner effectively with other data teams.
• Manage data access and governance.
• Build production-ready pipelines.
• Review GCP customer case study.
• Lab: Analyzing Data with BigQuery.

Module 2: Building a Data Lake

• Introduction to Data Lakes.
• Data Storage and ETL options on GCP.
• Building a Data Lake using Cloud Storage.
• Optional Demo: Optimizing cost with Google Cloud Storage classes and Cloud Functions.
• Securing Cloud Storage.
• Storing All Sorts of Data Types.
• Video Demo: Running federated queries on Parquet and ORC files in BigQuery.
• Cloud SQL as a relational Data Lake.
• Lab: Loading Taxi Data into Cloud SQL.

Module 3: Building a Data Warehouse

The modern data warehouse.

Intro to BigQuery.

Demo: Query TB+ of data in seconds.

Getting Started.

Loading Data.

Video Demo: Querying Cloud SQL from BigQuery.

Lab: Loading Data into BigQuery.

Exploring Schemas.

Demo: Exploring BigQuery Public Datasets wi...

Mit modernsten CI/CD- und MLOps-Methoden zur produktiven Machine Learning Anwendung

Wie automatisiere ich das Deployment einer Machine Learning Anwendung? Wie organisiere ich den Development Lifecycle, um die Robustheit der Anwendung sicherzustellen? Das  Seminar zeigt Ihnen, wie Sie Softwareentwicklungs-Werkzeuge wie u.a. Versionierung, Pipelines, Development- und Produktionsumgbung, APIs und Container in der Praxis nutzen können, um produktive Anwendungen zu schaffen.

• Einführung in das DevOps-Modell
• Einführung von Containern
• Paketierung einer Anwendung mit Docker
• Bereitstellung einer Multitier-Anwendung
• Einführung von CI/CD
• Aufbau des DevOps-Flusses
• Validierung des Anwendungserstellungsprozesses
• Aufbau eines verbesserten Bereitstellungsablaufs
• Ausweitung der DevOps-Praktiken auf die gesamte Infrastruktur
• Implementierung von On-Demand-Testumgebungen auf der Infrastrukturebene
• Überwachung in NetDevOps
• Technik für Sichtbarkeit und Stabilität
• Absicherung von DevOps-Arbeitsabläufen
• Erforschung von Multicloud-Strategien
• Prüfung von Anwendungs- und Bereitstellungsarchitekturen
• Beschreiben von Kubernetes
• Integration mehrerer Rechenzentrumsbereitstellungen mit Kubernetes
• Überwachung und Protokollierung in Kubernetes