Seminarinformationen

Seminar - Ziel

In diesem 2-tägigen Seminar „Einführung in Data Science mit Schwerpunkt Machine Learning“ erlernen Sie grundlegende Techniken der Datenanalyse unter Einsatz von maschinellem Lernen. Der Workshop orientiert sich am CRISP-DM-Modell und vermittelt Ihnen Werkzeuge, um große Datenbestände zu überblicken sowie Abhängigkeiten und Strukturen in den Daten zu erkennen.

Der Kurs behandelt Methoden zur Datenvorverarbeitung und den Umgang mit fehlerhaften Daten. Ein wichtiger Schwerpunkt liegt auf der Erstellung von Datenmodellen. Nach Abschluss des Seminars verstehen Sie verschiedene Techniken des maschinellen Lernens und können Klassifikationen, Vorhersagen und Regressionen durchführen.

Sie sind in der Lage, die Qualität Ihrer Modelle zu bewerten und diese zur Identifikation von Anomalien, Ausreißern sowie zur Analyse von Zusammenhängen und Ursachen einzusetzen.

Das Seminar kombiniert Theorie und Praxis intensiv, wobei Sie mit Tools wie ScikitLearn und zahlreichen praktischen Code-Beispielen arbeiten. Die Teilnehmerzahl ist auf 6 Personen begrenzt, um eine persönliche Betreuung sicherzustellen. Nach dem Workshop verfügen Sie über solide Grundlagen in Data Science und Machine Learning und können Ihr Wissen unmittelbar praktisch anwenden.

Teilnehmer - Zielgruppe

  • Entwickler
  • Programmierer

Kurs - Voraussetzungen

  • Grundsätzliches Programmierverständnis
  • Python-Kenntnisse sind hilfreich aber nicht notwendig

Seminardauer

  • 2 Tage
  • 09:00 Uhr bis 17:00 Uhr

Schulungsunterlagen

  • nach Absprache

Seminar-Inhalt / Agenda

Einstieg in Data-Mining

  • CRISP-DM

Data Understanding und Data Preparation

  • Erster Überblick über die Daten
  • Datengruppierung und Clustering (z.B. k-Means)
  • Abhängigkeiten erkennen (z.B. Korrelationsanalyse)
  • Komplexitätsreduktion und Dimensionsreduktion (z.B. PCA)

Modelling und Machine Learning

  • Klassifikation und Regression
  • Umgang mit Fehlerbehafteten Daten (z.B. Bootstrapping, RANSAC)
  • Überwachte Lernverfahren des maschinellen Lernens (z.B. Nearest Neighbor, Bayes Learning, Gauss-Modelle, Kernel-SVM, Entscheidungsbäume, Random Forests)
  • Grundlagen der Neuronalen Netze
  • Assoziationsanalyse (z.B. Warenkorbanalyse)

Evaluation und Ergebnisvisualisierung

  • Validierungsstrategien, Gridsearch, Kreuzvalidierung
  • Outliererkennung (statistisch, ν-SVM)
  • Signifikanzanalysen (z.B. Stundent t-Test)
  • Datenvisualisierung

Weitere Schulungen zu Thema Data Mining - Machine Learning

MLOps Engineering on AWS

- u.a. in Nürnberg, Berlin, Stuttgart, München, Köln

In diesem 3-tägigen Seminar „MLOps Engineering on AWS“ erfahren Sie, wie sich die Prinzipien und Methoden des DevOps-Ansatzes auf die Entwicklung, das Training und die Bereitstellung von Machine-Learning-Modellen übertragen lassen. Der Fokus liegt auf der zentralen Rolle ...

Machine Learning mit Python und Scikit-learn

- u.a. in Nürnberg, Berlin, Stuttgart, München, Köln

In diesem 5-tägigen Seminar „Machine Learning mit Python und Scikit-learn“ erlernen Sie die Grundlagen von Python und die Anwendung von maschinellem Lernen. Der Kurs bietet eine detaillierte Einführung in Python und die Konzepte des maschinellen Lernens. Sie machen sich ...

Neuronale Netzwerke (Künstliche Intelligenz, Machine Learning)

- u.a. in Frankfurt am Main, Paderborn, Virtual Classroom, Jena, Marburg

In diesem 2-tägigen Seminar „Neuronale Netzwerke (Künstliche Intelligenz, Machine Learning)“ erhalten Sie eine Einführung in die Grundlagen der Künstlichen Intelligenz und erfahren, wie neuronale Netze funktionieren. Sie lernen, ein einfaches neuronales Netz selbst zu ...

Modernes MLOps mit MLflow

- u.a. in Bremen, München, Koblenz, Mannheim, Virtual Classroom

In diesem 3-tägigen Seminar „Modernes MLOps mit MLflow“ erfahren Sie, wie das MLOps-Konzept das DevOps-Modell auf den Bereich des Machine Learning überträgt. Sie erstellen und individualisieren MLOps-Pipelines sowie ein ML Model Register mithilfe von MLflow. Moderne ...