Machine Learning Anwendung mit TensorFlow In dieser Weiterbildung setzen Sie sich intensiv mit Lernalgorithmen auseinander und erlangen fundierte Kenntnisse in der Anwendung von TensorFlow für maschinelles Lernen. Sie lernen, verschiedene Lernalgorithmen zu implementieren und zu optimieren, um komplexe Datenmuster zu erkennen und Vorhersagemodelle zu erstellen. Sie werden in die Lage versetzt, neuronale Netzwerke zu entwerfen und zu trainieren, wobei der Fokus auf der praktischen Anwendung von Lernalgorithmen liegt. Zudem erwerben Sie Fähigkeiten in der Datenvorverarbeitung und -analyse, um die Qualität Ihrer Modelle zu verbessern. Durch praxisorientierte Übungen und Projekte wenden Sie die erlernten Lernalgorithmen direkt an und vertiefen Ihr Verständnis für deren Einsatzmöglichkeiten. Nach Abschluss sind Sie in der Lage, Lernalgorithmen effektiv in TensorFlow zu implementieren und in verschiedenen beruflichen Kontexten anzuwenden.
- Funktion und Nutzen von Lernalgorithmen
- Grundlagen der Notation
- Kenntnisse zu Datenstrukturen und Datentypen
- Grundlegende Algorithmen: lineare/logistische Regression mit Fokus auf Lernalgorithmen
- Entscheidungsbaum-Lernen und Ensemble-Methoden
- Anwendungen aus den Lernalgorithmen bei Support Vector Machines (SVM)
- Techniken: Merkmalserstellung und Normalisierung
- Dimensionalitätsreduktion: PCA und t-SNE im Kontext von Lernalgorithmen
- Einführung in die Datenanalyse und Datenvisualisierung
Deep Learning und neuronale Netze
- Grundlagen neuronaler Netze und deren Bedeutung für Lernalgorithmen
- Unüberwachtes Lernen: Clustering
- Aktuelle Trends im maschinellen Lernen mit Fokus auf Lernalgorithmen
TensorFlow und Keras Essentials
- Installation und Einrichtung mit Bezug zu Lernalgorithmen in TensorFlow
- Grundlegende Verwendung von TensorFlow
- Analyse von Lernalgorithmen in TensorFlow
- Verwendung von Keras
- Erstellen von Modellen im Bereich Lernalgorithmen mit Keras
- Erstellen von FCN- und CNN-Modelle mit Keras
- Erstellen von RNN-Modelle mit Keras
Modellentwicklung und Problembehandlung in TensorFlow
- Aufbau eines Lernalgorithmus: Bausteine und Gradientenabstieg
- Praktische Anwendung: Modelltraining und Modellperfomance
- Visualisierung von Ergebnissen unter Einbeziehung von Lernalgorithmen mit Keras
- Allgemeine Tipps und Tricks zu TensorFlow
- Problemlösung für nicht funktionierende Modelle