Datenwissenschaft mit maschinellem Lernen: Datenmodellierung und fortgeschrittenes maschinelles Lernen
Dieser Kurs bietet eine eingehende Untersuchung der Datenmodellierung und fortgeschrittener maschineller Lerntechniken und vermittelt den Lernenden die Fähigkeiten, komplexe ML-Modelle zu entwerfen, zu trainieren und zu optimieren. Die Teilnehmer sammeln praktische Erfahrungen mit Python, Deep-Learning-Frameworks und Modellbewertungsstrategien.
Kursmodule:

Einführung in Python für Datenwissenschaft und maschinelles Lernen
  • Erlernen der Python-Syntax, Datenstrukturen und Funktionen für KI-Anwendungen.
  • Arbeiten mit Python-Bibliotheken wie Pandas, NumPy und Scikit-learn.
  • Einrichten von Python-Umgebungen mit Jupyter Notebooks und Anaconda.
Grundlagen der Datenmodellierung
  • Verstehen von Datenmodellierungskonzepten für maschinelles Lernen.
  • Lernen, wie man Daten vorverarbeitet, bereinigt und transformiert.
  • Anwenden von Feature-Engineering und -Auswahl zur Verbesserung der Modellleistung.
Techniken des überwachten Lernens
  • Implementieren Sie lineare Regression, Entscheidungsbäume und Support-Vector-Machines (SVMs).
  • Lernen Sie Ensemble-Learning-Techniken wie Random Forest und Gradient Boosting kennen.
  • Optimieren Sie die Modellleistung durch Hyperparameter-Tuning und Kreuzvalidierung.
Unüberwachtes Lernen und Clustering
  • Verstehen Sie Clustering-Techniken wie K-Means und hierarchisches Clustering.
  • Lernen Sie Methoden zur Dimensionsreduktion wie PCA und t-SNE kennen.
  • Erkunden Sie reale Anwendungen des unüberwachten Lernens.
Deep Learning und neuronale Netze
  • Verstehen Sie die Architektur künstlicher neuronaler Netze (ANNs).
  • Arbeiten Sie mit TensorFlow und Keras, um Deep-Learning-Modelle zu erstellen.
  • Trainieren und optimieren Sie Modelle mithilfe von Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs).
Fortgeschrittene Techniken des maschinellen Lernens
  • Implementieren Sie Transferlernen zur Verbesserung von Deep-Learning-Modellen.
  • Erkunden Sie generative gegnerische Netzwerke (GANs) und Autoencoder.
  • Arbeiten Sie an der Verarbeitung natürlicher Sprache (NLP) und der Zeitreihenprognose.
Modellbewertung und -optimierung
  • Erfahren Sie mehr über den Kompromiss zwischen Verzerrung und Varianz und über Strategien zur Verbesserung der Modellgenauigkeit.
  • Erkunden Sie Leistungskennzahlen wie Präzision, Rückruf und F1-Score.
  • Optimieren Sie die Modelleffizienz mithilfe von Rastersuche und zufälligen Suchtechniken.
Praktische Projekte zum fortgeschrittenen maschinellen Lernen
  • Fortgeschrittene ML-Modelle auf reale Datensätze anwenden.
  • KI-gesteuerte End-to-End-Lösungen entwickeln.
  • ML-Modelle für Geschäftsanwendungen evaluieren und bereitstellen.

Datenmodellierung und fortgeschrittenes maschinelles Lernen bilden die Basis für die Anwendung komplexer ML-Modelle in realen Szenarien.