Nach Abschluss der Weiterbildung sind Sie in der Lage, Machine Learning-Modelle zu entwickeln und in Projekten anzuwenden. Sie trainieren Algorithmen zur automatisierten Datenanalyse und können Ergebnisse auswerten. Mit der Technik des Deep Learning vertiefen Sie komplexe Methoden zur Mustererkennung. In Projektarbeiten wenden Sie Ihr Wissen praktisch an, optimieren Modelle und integrieren diese in verschiedene Anwendungen. Somit qualifizieren Sie sich für Tätigkeiten in Bereichen wie Datenanalyse, künstliche Intelligenz und maschinellem Lernen.
- Einführung in Machine Learning
- Arten des Machine Learning
- Entwicklung eines Machine-Learning-Systems
- Datenvorbereitung für Machine Learning
Modellierung und Bewertung von Machine Learning Systemen
- Training und Auswahl eines Vorhersagemodells
- Bewertung von Modellen
- Modellbewertung und Hyperparameter-Tuning
- Verwendung von Scikit-Learn für Klassifikationen
- Random Forests und Entscheidungsbäume
Erweiterte Machine Learning Techniken
- K-Nearest Neighbors Algorithmus
- Ensemble Learning (z. B. Bagging und Boosting)
- Regularisierung und Vermeidung von Overfitting
- Gradientenabstieg: Lernen in neuronalen Netzen
- Dropout-Verfahren: Warum es funktioniert
Deep Learning und Neuronale Netze
- Grundlagen des Deep Learning
- Backpropagation: Grundlagen und Anwendung
- Neuronale Netze: Aufbau und Funktionsweise
- Convolutional Neural Networks (CNN) und Faltungsschichten
- Sprachverarbeitung mit neuronalen Netzen (NLP)
- Word-Embeddings: Bedeutung und Anwendung