Angebot!

Seminar Data Science und Künstliche Intelligenz mit Python

Dozent: Dr. Christoph Oestreicher

 :



 1.225,00 1.525,00

Zzgl. 16% MwSt.
Auswahl zurücksetzen

Der Intensivkurs Data Science und Künstliche Intelligenz mit Python gibt einen Überblick über die aktuellen Methoden der Künstlichen Intelligenz mit besonderem Fokus auf das Maschinelle Lernen. Mit diesem Handwerkszeug können Sie sofort loslegen, die Potenziale des Maschinellen Lernens auf Ihre eigenen Fragestellungen anzuwenden. Im Preis sind Schulungsunterlagen und Getränke enthalten. Bitte Laptop mit der Python Anaconda Distribution zu der Schulung mitbringen oder Schulungslaptop für drei Tage im Warenkorb dazu buchen. Sie können per Überweisung und auf Rechnung zahlen (weitere Infos).

Beschreibung

Der Intensivkurs Data Science und Künstliche Intelligenz mit Python gibt einen Überblick über die aktuellen Methoden der Künstlichen Intelligenz mit besonderem Fokus auf das Maschinelle Lernen, das ein wichtiges Handwerkszeug eines jeden Data Scientisten ist. Anhand von zwei Projekten erhalten Sie zudem einen intensiven Einblick, wie diese Methoden in der Praxis angewendet werden. Gerne können Sie hierfür auch Ihre eigene Fragestellung inkl. der notwendigen Daten mitbringen. In den drei Tagen erfahren Sie die wichtigsten Details zu Methoden des Maschinellen Lernens, lernen mit Python SciKit-Learn umzugehen und bekommen einen Einblick in Keras/TensorFlow. Mit diesem Handwerkszeug können Sie sofort loslegen, die Potenziale des Maschinellen Lernens auf Ihre eigenen Fragestellungen anzuwenden.

Zielgruppe: Beschäftigte aus operativen Bereichen, R&D und IT sowie Anwender, Studenten, Doktoranden und Forscher aus mathematischen, statistischen, naturwissenschaftlichen, ingenieurwissenschaftlichen, informationstechnologischen, betriebs-, wirtschafts-, markt- und sozialwissenschaftlichen Bereichen mit grundlegenden Programmierkenntnissen, welche die Potenziale der Künstlichen Intelligenz für ihren Bereich kennenlernen und hautnah erfahren möchten

Voraussetzungen: Grundverständnisse der Linearen Algebra (Vektoren, Matrizen, Ableitungen), Basiswissen Statistik (wie Mittelwert, Korrelationen, lineare Regression) und Programmierkenntnisse (Skriptsprache wie Python, Matlab oder R)

Lernziele: Am Ende dieses Intensivkurses Data Science und Künstliche Intelligenz werden Sie

  • die aktuelle Berichterstattung zu Künstliche Intelligenz, Maschinellem Lernen (inkl. Reinforcement Learning) und Data Science inhaltlich einordnen und bewerten können,
  • vorhandene Daten mit Python (mit Scikit-Learn und Keras/Tensorflow) und Methoden des Maschinellen Lernens für Ihren Bereich nutzbar machen können,
  • die Programmiersprache Python und den wissenschaftlichen Rechenstapel von Python zur Implementierung von Maschinellen Lernalgorithmen kennengelernt haben, um zu wissen, welche Daten für die erfolgreiche Umsetzung einer Fragestellung aus Ihrem Bereich (noch) notwendig sind,
  • ein Clustering mit Unüberwachtem Lernen/Unsupervised Learning (PCA, k-Means, DBSCAN) durchführen können und
  • eine Trendvorhersage mit Überwachtem Lernen/Supervised Learning (Neuronale Netze, XGBoost, LSTM) durchführen können.

Dauer: Die Seminardauer beträgt drei Tage. Format:

  • Rahmen: 24 Stunden Präsenzschulung mit täglich 8 Unterrichtsstunden (9-17 Uhr)
  • Aufteilung Theorie/Praxis: 40 % Vorlesung + 60 % Praxis, Übungen und Demos

Leistungen: Schulungsräume in zentraler Lage, 2-10 Teilnehmer pro Veranstaltung, Unterricht 9-17 Uhr, gedruckte Schulungsunterlagen, ein Zertifikat mit den Schulungsinhalten und Getränke in den Pausen (bitte Laptop mit der Python Anaconda Distribution mitbringen oder Schulungslaptop für drei Tage im Warenkorb dazu buchen)

Inhalte des 3-tägigen Trainings Data Science und Künstliche Intelligenz mit Python

  • Überblick, Grundlagen und Beispiele
    • Künstliche Intelligenz
    • Data Science
    • Maschinelles Lernen
  • Maschinelles Lernen mit Python
    • Kurze Einführung Python
    • Relevante Python-Bibliotheken: numpy, scikit-learn, pandas
    • Weiterführende Python-Bibliotheken: keras, tensorflow
  • Methoden des Maschinelles Lernen
    • Überwachtes Lernen/Supervised Learning
    • Unüberwachtes Lernen/Unsupervised Learning
    • Reinforcement Learning
  • Case Study I (Clustering):
    • Einführung in den Kontext und die Daten
    • Zielsetzung und Methodennutzung
    • Principal Components Analysis (PCA)
    • k-Means Clusteranalyse
    • Density-Based Spatial Clustering of Applications with Noise (DBSCAN)
  • Case Study II (Trendvorhersage):
    • Einführung in den Kontext und die Daten
    • Zielsetzung und Methodennutzung
    • Decision Trees, Random Forest, XGBoost
    • Long-Short-Term-Memory (LSTM)