Maschinelles Lernen für Programmierer
Weiterbildungskurs, 40 akademische Stunden
Intelligenter programmieren mit ML!
Warum sollten Sie sich für diesen Kurs anmelden?
Maschinelles Lernen ermöglicht es Computern, Aufgaben ohne ausdrückliche Programmierung auszuführen. Von selbstfahrenden Fahrzeugen bis hin zur Gesichtserkennung sind Technologien des maschinellen Lernens ganz vorne mit dabei.
Python ist eine führende Programmiersprache, die in der Datenanalyse und im maschinellen Lernen weit verbreitet ist. Sie ist bekannt für ihre robusten Bibliotheken und ihre Vielseitigkeit bei der Bearbeitung von Datenanalyseaufgaben.
In diesem Kurs werden Sie die effektivsten Techniken des maschinellen Lernens kennenlernen. Sie werden mit den theoretischen Grundlagen von Lernalgorithmen vertraut gemacht und erfahren, wie Sie diese Prinzipien zur Lösung realer Probleme mit Python anwenden können. Beschäftigen Sie sich mit praktischen Beispielen und Sie sind bereit, maschinelles Lernen bei Ihrer Arbeit einzusetzen.
Durch die Teilnahme an diesem Kurs erwerben Sie praktische Fähigkeiten im Bereich des maschinellen Lernens, die Sie in Ihren Projekten anwenden können, um Ihre Arbeitsleistung und Produktivität zu verbessern.
Wer sollte teilnehmen?
- Datenanalysten
- Software-Entwickler
- Business Intelligence-Fachleute
- Daten-Ingenieure
- Andere Fachleute, die mit der Analyse und Interpretation der Daten ihrer Organisation beauftragt sind.
Voraussetzung
- Grundlegendes Verständnis von Programmierkonzepten
Lernziele und Lernergebnisse
Am Ende des Kurses werden die Teilnehmer:
- Entwickeln Sie grundlegende Python-Kenntnisse, von der Basisprogrammierung bis zur fortgeschrittenen Datenverarbeitung mit Pandas und NumPy.
- Verstehen Sie die Konzepte und Techniken des maschinellen Lernens.
- Implementierung realer Aufgaben des maschinellen Lernens, einschließlich Datenvorbereitung, Regression und Klassifizierungstechniken.
- Verstehen und Anwenden sowohl grundlegender als auch fortgeschrittener ML-Konzepte, die alles vom überwachten bis zum unüberwachten Lernen abdecken.
- Lösen Sie reale datenwissenschaftliche Probleme mit Strategien wie dem Umgang mit unausgewogenen Daten und Ensemble-Methoden.
Was Sie bekommen...
- 40 akademische Stunden Live-Unterricht mit einem professionellen Dozenten, der in Ihrer Landessprache unterrichtet.
- Zugang zu den Aufzeichnungen der Sitzungen für den Fall, dass Sie eine Sitzung verpasst haben oder zur Vertiefung, während der gesamten Kursdauer.
- Abschlusszertifikat, auch ein digitales für LinkedIn. Die Graduierung erfordert die Teilnahme an mindestens 80% der Kurse.
- Lebenslange Mitgliedschaft in der globalen Alumni-Gemeinschaft von Wawiwa, die sich aus Tech-Profis zusammensetzt, die Wawiwa's Umschulungs- und Weiterbildungsprogramme auf der ganzen Welt absolviert haben.
Professioneller Betreuer
Dieser einzigartige Kurs wurde von einem professionellen Team entwickelt, das sich aus führenden Experten in den Bereichen Softwareentwicklung und KI zusammensetzt und über umfangreiche Kenntnisse und Erfahrungen in der Ausbildung verfügt.
Maor Mugrabi
Leiter der KI-Kurse für Softwareentwickler
Maor ist ein Datenfreak mit einer großen Leidenschaft für Künstliche Intelligenz (KI) und Maschinelles Lernen (ML).
Maor möchte Unternehmen dabei helfen, diese Technologien effektiv zu nutzen. Maor ist Unternehmer und leitet sein eigenes KI/ML-Entwicklungs- und Beratungsunternehmen. Maors Arbeit hat Dutzende von Unternehmen dazu befähigt, durch maßgeschneiderte KI/ML-Implementierungen innovativ zu sein und zu wachsen.
Er ist auch Dozent bei John Bryce, wo er sein Wissen und seine Erfahrung im Bereich maschinelles Lernen und Python an seine Studenten weitergibt.
Maor hat einen Bachelor-Abschluss in angewandter Mathematik von der Bar-Ilan-Universität.
Was haben die Absolventen zu sagen?
Kurs-Lehrplan
Python-Auffrischung
- Einführung
- IDEs und Tools für die Datenanalyse
- Datentypen und Zeichenketten
- Strukturen kontrollieren
- Funktionen und funktionale Programmierung
- Sammlungen
- Objektorientiert
- Module und Pakete
Einführung in die Datenanalyse
- Datenwissenschaft
- Übersicht über maschinelles Lernen
- Übersicht über Datenanalyse- und ML-Pakete
Maschinelles Lernen - Grundlegende Konzepte
- Übersicht
- Warum lernen
- Anwendungen
- Prozess des maschinellen Lernens
- Lerntypen:
- Überwachtes Lernen
- Unüberwachtes Lernen
- Semi-überwachtes Lernen
- Aktives Lernen
- Verstärkendes Lernen
- Batch- vs. Online-Lernen
- Instanzbasiertes vs. modellbasiertes Lernen
- CRISP - DM-Methodik
Demo - Vollständige Aufgabe zum maschinellen Lernen
- Einfache lineare Regression und Klassifizierungsaufgaben
- Datenverständnis
- Variablen und Merkmale
- Schulung, Validierung und Prüfung von Daten
- Explorative Analyse
- Arten von Daten/Merkmalen
- Pandas-Paket (Python)
- Visualisierung von Daten
- Matplotlib und Seaborn-Pakete (Python)
- Vorbereitung der Daten
- Datenaufbereitung und -bereinigung
- Umgang mit fehlenden Werten
- Zentrale Tendenz
- Mittelwert/Mittelwert/Modus
- Vorurteil
- Varianz und Standardabweichung
- Standard-Punktzahlen
- Merkmalsskalierung - Standardisierung und Normalisierung
- Numpy-Paket (Python)
- Vektoren und Matrizen
- Mehrdimensionale Arrays
- Funktionen
- Slicing und Phantasie-Indizierung
- Lineare Algebra
- Technische Merkmale
- Auswahl der Merkmale
- Dummy-Variablen
- Umwandlung einer kontinuierlichen Variable in eine diskrete
Überwachtes Lernen
- Regressionen
- Klassifizierung
- Nicht-lineare Regression
- SciPy-Paket (Python)
- Interpolation
- Kurvenanpassung
- Optimierung
- Statistik
- Bildbearbeitung
- Integration und mehr
- Modellbewertung anhand von Metriken
- SVM
- Abstimmung der Hyperparameter
- Kreuzvalidierung und Rastersuche
- Entscheidungsbäume und Zufallswälder
- Naïve Bayes
- KNN
- Klassifizierung
- Mehrere Klassen
- Multilabel
- Einer gegen alle
- Alle gegen Alle
- Fehlerkorrektur-Codes
Unüberwachtes Lernen
- Übersicht
- Clustering
- K-Means
- GMM
- DBSCAN
- Hierarchisches Clustering
- Empfehlende Systeme
- Erkennung von Anomalien
Fortgeschrittene Themen
- Zeitreihen
- Umgang mit unausgewogenen Daten
- Ensemble-Methoden
Deep Learning und neuronale Netze
- Tiefes Lernen
- Neuronale Netze im Überblick
- Das Perzeptron
- Netzstruktur und verborgene Schichten
- Aktivierungsfunktionen
- Training des Netzwerks
- Optimierung
- Vorwärts- und Rückwärtsausbreitung
- Gradientenabstieg
- Konvergenz
- Lernrate
- Überanpassung und Unteranpassung
- Hinzufügen von Vorurteilen
- Boltzmann-Maschinen
- Faltungsneuronale Netze
- Rekurrente neuronale Netze
- SOM
- Auto-Drehgeber
Interessieren Sie sich für weitere Details?
Wir beantworten gerne alle Ihre Fragen!
Lesen Sie unsere Blogs...
Der erste AI-Software-Ingenieur ist eingetroffen
Der erste KI-Software-Ingenieur ist da. Ja, Sie haben richtig gehört! In diesem Blog erfahren Sie alles darüber, wie KI die Entwicklungszyklen beschleunigen kann und wie sie Menschen hilft, die nicht unbedingt über Programmierkenntnisse verfügen, indem sie