Machine Learning Schulung
Machine Learning: Data Science und künstliche Intelligenz
Zu den TerminenDie Themen Data Science, Machine Learning und KI gewinnen seit Jahren an Relevanz. Sie gelten heute als entscheidende Ansatzpunkte für Produktivitätssteigerung und Digitalisierung.
Unser Machine Learning Kurs gibt dir einen Einblick, nach welchen Methoden und mit welchen Technologien digitale Daten aufbereitet, analysiert und für eine selbstlernende Business-Optimierung genutzt werden können.
Die Schulung 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.
Lernziele
Du lernst, Problemstellungen aus der Perspektive eines Data Scientists zu sehen und verstehst den kompletten Machine-Learning-Workflow von der Datenaufbereitung bis zur Modellvalidierung. Der Machine Learning Kurs befähigt dich, Anwendungsfälle für Machine Learning in deinem Arbeitsumfeld zu identifizieren, die richtigen Fragen zu stellen und Lösungsansätze mit passenden ML-Methoden zu skizzieren. Inhalte der Machine Learning Schulung (Auszug):
Machine Learning im Überblick
Machine Learning von A bis Z
Deskriptive Statistik
Lernszenarien und Aufgabenstellung
Validierung und Performance
ML-Methoden im Vergleich
Gesellschaftliche Aspekte
Inhalte
Einführung Data Science, Machine Learning und Künstliche Intelligenz
Grundlagen Python rund um Datenverarbeitung, Statistik und Datenvisualisierung
Machine Learning Workflow
Lernszenarien und ihre Einsatzgebiete (Predictive Analytics, Bots, Empfehlungsdienste etc.)
Machine Learning Methoden im Vergleich
Künstliche Neuronale Netze
Clustering
Decision Trees
Modelle richtig bewerten und validieren
Überblick an Software und Tools
Anwendungs- und Praixbeispiele
Trennung von Hype und Potenzial
Durchgehende, interaktive Hands-On Übungen
Zielgruppe
Unsere Machine Learning Schulung 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
Für deine Teilnahme an unserer Machine Learning Schulung solltest du ein Verständnis und Interesse an den Trendthemen Digitalisierung, Big Data und IoT mitbringen. Grundlegende Programmierkenntnisse sind von Vorteil.
Machine Learning - das solltest du wissen:
In dieser Machine Learning Schulung lassen wir einfache Regressionen hinter uns. Wir tauchen tief in das Deep Learning ein. Du lernst, wie du komplexe neuronale Netze (CNNs für Bilderkennung, LSTMs/Transformer für Zeitreihen und Text) mit Frameworks wie PyTorch oder TensorFlow entwickelst. Ein weiterer Schwerpunkt ist die Optimierung von Hyperparametern und die Vermeidung von Overfitting in großen Modellen.
Es reicht nicht mehr, ein Modell im Jupyter Notebook zu haben. Wir zeigen dir, wie du den MLOps-Zyklus (Machine Learning Operations) implementierst. Das bedeutet: Automatisierte Pipelines für das Training, Versionierung von Modellen mit Tools wie MLflow und das Deployment als skalierbare API via FastAPI oder Docker-Container. So machst du deine KI-Projekte reif für die Produktion.
Machine Learning im Überblick
Was ist Machine Learning?
Schon wieder Statistik
Die Zeit ist reif.
Künstliche Intelligenz
Aktuelle Beispiele
AlphaGo
Spracherkennung
Online-Shopping
Machine Learning von A bis Z
Intro und Motivation
Grundlagen am Beispiel
Vorbereitung der Daten
Feature-Extraction
Feature Engineering
Training
Performance
Optimierung
Validierung
Zusammenfassung
Deskriptive Statistik
Intro und Motivation
Survivorship Bias und die Excel-Frage
Grundlagen und Hands-On
Python - die Grundlagen
Scientific Computing in Python mit numpy und pandas
Datenvisualisierung in Python mit matplotlib
Grundlagen der Statistik
Verteilungen
Zentralwerte
Klassenbildung
Korrelationen
Zusammenfassung
Anpassungen und Minimierungen
Intro und Motivation
Häufige Verteilungen
Normalverteilungen und Fits
Erwartungen und Erfahrungen
Fitmethoden
Die Methode der kleinsten Quadrate
Likelihood Fits
Fits bewerten
Goodness of Fit
Viele Dimensionen
Bias-Variance-Dilemma und Overfitting
Fitergebnisse richtig interpretieren
Materie-Antimaterie-Asymmetrie
Zusammenfassung
Lernszenarien und Aufgabenstellung
Intro und Motivation
Lernszenarien
Supervised Learning
Unsupervised Learning
Reinforcement Learning
Aufgabenstellung
Was gibt es sonst noch?
Zusammenfassung
Vorbereitung der Daten
Intro und Motivation
Grundlagen: Features und Merkmale
Bereinigung der Daten
Ausreißer
Expertenwissen
Feature Engineering
Encoding
Runden, Diskretisierung
Feature Selection
Korrelationen
Reduzierung
Zusammenfassung
Von Bäumen und Netzen
Intro und Motivation
Abgrenzung zwischen Bäumen und Netzen
Entscheidungsbaum
Random Forest
Perceptron
Multi Layer Perceptron
Abgrenzung zum Deep Learning
Klassifizierung von Murmeln
Manuelle Trennung
Aufbau der Daten-Pipeline
K-Means
Random Forest
Multi-Layer-Perceptron
Features
Zusammenfassung
Validierung und Performance
Intro und Motivation
Performanceanalyse
Vorhersagewahrscheinlichkeiten
Falsch Positive - Fall-Out
Auch auf die Sensitivity kommt es an.
Confusion Matrix
Abgeleitete Kennzahlen und Raten
ROC und AUC
Validierungsbeispiele
Train-Test-Split
K-Faltigkeiten
8.Kreuzvalidierung
Zusammenfassung
Anwendungen und Praxisbeispiele
Chatbots
Was ist ein Chatbot?
Weitere Bot-Typen
Turing-Test
Funktionsweise
Die bekanntesten Chat-Bots
Empfehlungsdienste
Was ist ein Empfehlungssystem?
Einflussgrößen
Beispiele
Der Netflix-Preis
Bilderkennung
Bilderkennung für das autonome Fahren
Medizinische Bilderkennung
Ausblick
Industrielle Anwendung und Herausforderung
Predictive Maintenance
Predictive Quality
Natural Language Processing
Schrifterkennung
Syntaktische Aufgaben
Semantische Aufgaben
Weitere Anwendungsfelder
Techniken am Beispiel Sentimentanalyse
ML-Methoden im Vergleich
Intro und Motivation
Neue ML-Modelle
Support Vector Machines
K-Nearest Neighbors
Clustering-Methoden
Testdatensätze
Entscheidungsbaum
Multi Layer Perceptron (MLP)
Deep MLP
K-Nearest Neighbors
Support Vector Machines
K-Means
Gaussian Mixture
DBSCAN
Zusammenfassung
Software und Tools
Intro und Motivation
Machine Learning as a Service
Machine Learning in Python
Weitere Pakete
Andere Frameworks
Weitere Open Source Frameworks
Proprietäre Lösungen
Zusammenfassung
Gesellschaftliche Aspekte
Intro und Motivation
Anreize für eine Diskussion
Robotergesetze
Biased Data und Potentiale
Technologische Singularität und die großen Fragestellungen
Unterstützen statt Ersetzen
Datenschutz und Privacy
Das Lernen
Unsere generellen Seminarzeiten sind von 09:00 bis ca. 17:00 Uhr. Wenn du Fragen hast, kontaktieren uns gerne.
Schulungen, die dich interessieren könnten
Unternehmen in Deutschland, Österreich und der Schweiz, die uns vertrauen
Das sagen unsere Kunden
Wir arbeiten ständig daran uns zu verbessern. Dafür sind wir auf das Feedback unserer Kunden angewiesen.

Kompetentes Online-Training mit Learning by Doing. Besser geht nicht. Jeannette M.
Sehr gute Planung und Organisation aller Microsoft Office Schulungen. Incas Training ist sehr zu empfehlen! Christopher M.
Toller Service. Hatte auf Ihrer Seite KOSTENLOS den Weg gefunden, sämtliche Animationen mit einem Schritt zu entfernen. Hat super geklappt. Vielen lieben Dank dafür. Wenn ich schon nichts bezahlen muss, dann wenigstens eine passenden Bewertung :-) Thomas S.