Der Kurs vermittelt, wie aus vorhandenen Trainingsdaten Modelle entstehen, die auch für neue Daten verlässliche Prognosen liefern. Dabei werden Ziele, Aufgaben und typische Herausforderungen des maschinellen Lernens erläutert sowie bewährte Vorgehensweisen vorgestellt, die einen strukturierten und ergebnisorientierten Lernprozess ermöglichen. Zudem behandelt der Kurs grundlegende Prinzipien des maschinellen Lernens, die für das Verständnis und den praktischen Einsatz und die Steuerung künstlicher neuronaler Netze entscheidend sind.
Sie lernen
- geeignete Daten für Machine-Learning-Algorithmen auszuwählen und für das Training und die Evaluierung der Machine-Learning-Modelle vorzubereiten.
- eigenständig grundlegende Machine-Learning-Workflows auf Basis von Software-Bibliotheken und -Frameworks zu entwickeln und selbständig Teilaufgaben von komplexen Machine-Learning-Szenarien umzusetzen.
- die entwickelten Machine-Learning-Modelle fundiert qualitativ und quantitativ zu beurteilen, allen Projektbeteiligten verständlich zu erläutern und für eine spätere Nutzung in der Praxis vorzubereiten.
Ihr Nutzen im beruflichen Umfeld
- Sie kennen etablierte wissenschaftliche Methoden zur Durchführung von Machine-Learning-Projekten und sind in der Lage, geeignete Methoden für die bearbeitete Problemstellung auszuwählen und anzupassen sowie die gewählten Methoden zielgerichtet und strukturiert anzuwenden.
- Sie können die Modellgüte anhand geeigneter Metriken beurteilen und typische Fehlerquellen wie Overfitting und Underfitting erkennen sowie Optimierungsstrategien einsetzen, um Machine-Learning-Modelle systematisch zu verbessern.
Standort
NORDAKADEMIE Campus Hamburg
Abschluss: Zertifikat, welches die erworbene Qualifikation zur Anwendung des vermittelten Fachwissens im beruflichen Alltag dokumentiert.
Gebühren
Finden Sie in unserer Gebührenordnung.
Lerninhalte
Grundlagen des Maschinellen Lernens
Ablauf eines Machine-Learning-Projekts:
- Datenbeschaffung und –aufteilung
- Explorative Datenanalyse
- Datenbereinigung und Transformation
- Modell-Auswahl, -Training und –Evaluation
- Model-Optimierung
Ausgewählte Machine-Learning-Algorithmen
Werkzeuge des Maschinellen Lernens
- Programmiersprachen und Entwicklungsumgebungen
- Software-Bibliotheken
- Machine-Learning-Frameworks
Lehr- und Lernmethoden
Dialogorientierte Vorlesung mit Online-Übungsaufgaben, der Entwicklung von Modellen auf Basis von Machine-Learning-Frameworks und -Bibliotheken sowie der Bearbeitung, Auswertung und Präsentation von Fallstudien durch die Teilnehmenden.
Das Studium des Moduls gliedert sich in 3 Lehrphasen:
- Vorbereitungsphase
- Präsenzphase (2,5 Tage, direkt anschießend)
- Nachbereitungsphase und Prüfung
Unsere Dozierenden
Dipl.-Inf. Uwe Neuhaus
