- Lernen Sie Python-Syntax, Schleifen und Funktionen für Data Science- und KI-Anwendungen kennen.
- Arbeiten Sie mit Bibliotheken wie Pandas, NumPy und Scikit-learn zur effizienten Data Science-Implementierung.
- Einrichten von Jupyter Notebooks und Anaconda für produktive Arbeitsumgebungen in der Data Science.
Grundlagen der künstlichen Intelligenz (KI)
- Verstehen Sie zentrale Konzepte wie überwachtes, unüberwachtes und bestärkendes Lernen im Kontext von Data Science.
- Erkunden Sie KI-Einsatzgebiete in Computer Vision, NLP und Automatisierung.
- Diskussion über ethische Aspekte und reale Anwendungen von KI in der Data Science-Praxis.
Grundlagen des maschinellen Lernens
- Unterscheiden Sie Klassifizierungs-, Regressions- und Clustering-Algorithmen im Rahmen von Data Science-Projekten.
- Einführung in Modelle wie Entscheidungsbäume, Zufallswälder und SVMs.
- Training, Test und Bewertung von ML-Modellen als Schlüsselelemente moderner Data Science.
Tiefes Lernen und neuronale Netze
- Verstehen Sie den Aufbau künstlicher neuronaler Netze für Data Science-Anwendungen.
- Nutzung von TensorFlow und Keras zur Entwicklung leistungsfähiger Deep-Learning-Modelle.
- Training von CNNs und RNNs für komplexe Data Science-Szenarien.
KI in der Praxis: Anwendungen in der realen Welt
- Entdecken Sie praxisnahe Anwendungsfälle für KI in Data Science, z. B. Gesundheitswesen, Finanzen, Empfehlungssysteme.
- Erstellung prädiktiver Modelle zur Unterstützung automatisierter Entscheidungen.
- Verständnis der Rolle von KI innerhalb datenbasierter Entscheidungsprozesse.
Überwachtes und unüberwachtes Lernen in der ML
- Implementieren Sie Regressions- und Clustering-Algorithmen für typische Data Science-Aufgaben.
- K-Means, hierarchisches Clustering und ihre Anwendung auf reale Datenprobleme.
- Modelloptimierung zur Verbesserung von Data Science-Ergebnissen.
Modellbewertung und Leistungsoptimierung
- Verwendung von Kreuzvalidierung und Metriken wie Precision, Recall und Confusion Matrix.
- Regulierungstechniken zur Vermeidung von Overfitting - zentral für robuste Data Science-Modelle.
- Hyperparameter-Tuning mit Grid Search und Randomized Search.
Praktische KI- und maschinelle Lernprojekte
- Arbeiten Sie mit echten Datensätzen und entwickeln Sie Data Science-Lösungen.
- Erstellen Sie Vorhersagemodelle für verschiedene Branchen und Anwendungsfälle.
- Umsetzung vollständiger Data Science-Pipelines mit ML- und KI-Technologien.
Dieser Kurs behandelt intensiv Machine Learning- und KI-Techniken zur Anwendung in datengetriebenen Projekten und der Data Science.