Teilnehmer erwerben grundlegende Kenntnisse im Deep Learning, um neuronale Netze und KI-Modelle zu verstehen und in praktischen Anwendungen einzusetzen.
Mathematische und statistische Grundlagen für das Verständnis neuronaler Netze erlernen- Lineare Algebra, Matrizenoperationen und Wahrscheinlichkeitsrechnung für Machine Learning nutzen
- Gradientenberechnung und Optimierungsverfahren zur Modellverbesserung anwenden
SQL für Datenmanagement und komplexe Abfragen in Deep Learning-Anwendungen nutzen
- Datenbankabfragen schreiben, um große Mengen strukturierter Daten effizient zu analysieren
- Joins und Aggregationen nutzen, um Datensätze für Modelltraining und Testdaten vorzubereiten
Interaktive Visualisierung und datenbasierte Berichterstellung mit Power BI für Deep Learning-Projekte einsetzen
- Daten aus verschiedenen Quellen importieren und in verständlichen Dashboards visualisieren
- Diagramme, interaktive Filter und Metriken nutzen, um Modellleistung und Trainingsfortschritt darzustellen
Explorative Datenanalyse und Datenaufbereitung für neuronale Netze durchführen
- Datenbereinigung, Transformation und Feature Engineering für optimales Modelltraining anwenden
- Muster, Korrelationen und Auffälligkeiten erkennen, um relevante Eingabevariablen zu bestimmen
Grundlagen des Deep Learning und neuronaler Netze für KI-Modelle verstehen
- Funktionsweise von künstlichen neuronalen Netzwerken und Aktivierungsfunktionen analysieren
- Überwachtes und unüberwachtes Lernen nutzen, um prädiktive und generative Modelle zu erstellen
Python-Programmierung und Automatisierung für Deep Learning-Workflows nutzen
- Skripte entwickeln, um datengetriebene Prozesse und Modelltrainings effizient zu steuern
- Modulare Softwareentwicklung und wiederverwendbare Funktionen zur Optimierung der Code-Struktur implementieren