Schulungszentrum der GFU Cyrus AG
Am Grauen Stein 27
51105 Köln
Seminar / Kurs
Machine Learning für Einsteiger: Schritt für Schritt zum eigenen Modell in Köln
Inhalte
- Einführung in Machine Learning: Überblick und Bedeutung
- Was ist Machine Learning und warum ist es wichtig?
- Definition und Hintergrund: Grundlagen des maschinellen Lernens, Unterschiede zwischen ML, KI und Data Science.
- Bedeutung und Vorteile: Automatisierte Entscheidungsfindung, Mustererkennung, Verbesserung von Produkten und Dienstleistungen.
- Anwendungsfälle: Empfehlungssysteme, Bild- und Spracherkennung, medizinische Diagnosen.
- Was ist Machine Learning und warum ist es wichtig?
- Grundlegende Konzepte und Techniken
- Typen von Machine Learning:
- Überwachtes Lernen: Regression, Klassifikation.
- Unüberwachtes Lernen: Clustering, Dimensionenreduktion.
- Verstärkendes Lernen: Belohnungssysteme und Entscheidungsfindung.
- Datenvorbereitung und -verarbeitung:
- Datenbereinigung: Umgang mit fehlenden Werten, Ausreißern.
- Datennormalisierung und -skalierung: Standardisierung von Daten.
- Feature Engineering: Auswahl und Erstellung relevanter Merkmale.
- Typen von Machine Learning:
- Werkzeuge und Bibliotheken
- Einführung in Python für Machine Learning:
- Warum Python? Vorteile und Popularität.
- Wichtige Bibliotheken: NumPy, Pandas, Scikit-Learn, Matplotlib.
- Einrichtung der Entwicklungsumgebung:
- Installation von Python und Jupyter Notebook.
- Einführung in die Nutzung von Jupyter Notebooks für ML-Projekte.
- Einführung in Python für Machine Learning:
- Praxisübung 1: Einrichtung der Entwicklungsumgebung und erste Datenanalyse
- Ziel der Übung: Anwendung der erlernten Techniken zur Einrichtung der Entwicklungsumgebung und Durchführung einer ersten Datenanalyse.
- Projektbeschreibung: Teilnehmer installieren die notwendigen Bibliotheken und analysieren einen Beispiel-Datensatz.
- Anforderungen: Nutzung der grundlegenden Funktionen und Bibliotheken von Python.
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einführung in die Projektanforderungen, Installation von Python und Jupyter Notebook.
- Durchführung: Import und Analyse eines Beispiel-Datensatzes mit Pandas und Matplotlib.
- Präsentation: Vorstellung der Ergebnisse durch die Teilnehmer.
- Tools: Python, Jupyter Notebook, Pandas, Matplotlib.
- Ergebnisse und Präsentation:
- Präsentation der installierten und konfigurierten Umgebung und der ersten Datenanalyse.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
- Ziel der Übung: Anwendung der erlernten Techniken zur Einrichtung der Entwicklungsumgebung und Durchführung einer ersten Datenanalyse.
- Modellierung und Training
- Überwachtes Lernen:
- Lineare Regression: Grundlagen, Implementierung und Bewertung.
- Klassifikation mit Entscheidungsbäumen und k-NN: Grundlagen, Implementierung und Bewertung.
- Unüberwachtes Lernen:
- K-Means-Clustering: Grundlagen, Implementierung und Bewertung.
- Hauptkomponentenanalyse (PCA): Dimensionenreduktion und Visualisierung.
- Überwachtes Lernen:
- Modellbewertung und -optimierung
- Evaluierung von Modellen:
- Train-Test-Split, Kreuzvalidierung.
- Metriken zur Modellbewertung: Genauigkeit, Präzision, Recall, F1-Score.
- Hyperparameter-Tuning:
- Grid Search, Random Search.
- Nutzung von Scikit-Learn zur Optimierung von Modellparametern.
- Evaluierung von Modellen:
- Einführung in neuronale Netze
- Grundlagen neuronaler Netze:
- Aufbau und Funktionsweise: Neuronen, Schichten, Aktivierungsfunktionen.
- Einführung in Keras und TensorFlow: Frameworks für Deep Learning.
- Erstellung eines einfachen neuronalen Netzes:
- Implementierung eines MLP (Multi-Layer Perceptron).
- Training und Bewertung des Modells.
- Grundlagen neuronaler Netze:
- Praxisübung 2: Modellierung und Training von ML-Modellen
- Ziel der Übung: Anwendung der erlernten Techniken zur Erstellung und Bewertung von ML-Modellen.
- Projektbeschreibung: Teilnehmer erstellen und bewerten verschiedene ML-Modelle für eine Klassifikationsaufgabe.
- Anforderungen: Nutzung der erweiterten Funktionen und Bibliotheken von Scikit-Learn und Keras.
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einführung in die Projektanforderungen, Einrichtung der Umgebung.
- Durchführung: Implementierung und Bewertung von Regression, Klassifikation und Clustering-Modellen.
- Präsentation: Vorstellung der Ergebnisse durch die Teilnehmer.
- Tools: Python, Jupyter Notebook, Scikit-Learn, Keras.
- Ergebnisse und Präsentation:
- Präsentation der erstellten Modelle und der durchgeführten Bewertungen.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
- Ziel der Übung: Anwendung der erlernten Techniken zur Erstellung und Bewertung von ML-Modellen.
- Einsatz von Künstlicher Intelligenz (KI) im Machine Learning
- Integration von AI-Techniken:
- Automatisierung von ML-Prozessen: Einsatz von AI zur Modelloptimierung.
- Fallstudien: Erfolgreiche Implementierung von AI in ML-Projekten.
- Ethische Aspekte und Best Practices:
- Datenschutz und Datensicherheit: Umgang mit sensiblen Daten.
- Vermeidung von Bias und Fairness in ML-Modellen.
- Integration von AI-Techniken:
- Deployment und Skalierung von ML-Modellen
- Bereitstellung von ML-Modellen:
- Export und Integration in Produktionsumgebungen.
- Nutzung von Cloud-Diensten: AWS, Azure, Google Cloud.
- Skalierbarkeit und Leistung:
- Optimierung von Modellen für große Datenmengen.
- Nutzung von verteilten Systemen und GPU-Computing.
- Bereitstellung von ML-Modellen:
- Fehlersuche und Optimierung
- Überwachung und Fehlersuche:
- Überwachung der Modellleistung in der Produktion.
- Methoden zur Fehleranalyse und -behebung.
- Optimierung von ML-Prozessen:
- Durchführung von A/B-Tests.
- Kontinuierliche Verbesserung durch Feedback-Schleifen.
- Überwachung und Fehlersuche:
- Praxisübung 3: Deployment und Optimierung eines ML-Modells
- Ziel der Übung: Anwendung der erlernten Techniken zur Bereitstellung und Optimierung eines ML-Modells.
- Projektbeschreibung: Teilnehmer deployen ein ML-Modell in einer Cloud-Umgebung und optimieren dessen Leistung.
- Anforderungen: Nutzung der erweiterten Funktionen und Cloud-Dienste.
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einführung in die Projektanforderungen, Einrichtung der Umgebung.
- Durchführung: Deployment des Modells, Optimierung und Überwachung.
- Präsentation: Vorstellung der Ergebnisse durch die Teilnehmer.
- Tools: Python, Jupyter Notebook, Scikit-Learn, Keras, Cloud-Dienste (AWS, Azure, Google Cloud).
- Ergebnisse und Präsentation:
- Präsentation des deployten Modells und der durchgeführten Optimierungen.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
- Ziel der Übung: Anwendung der erlernten Techniken zur Bereitstellung und Optimierung eines ML-Modells.
- Einführung in Machine Learning: Überblick und Bedeutung
- Was ist Machine Learning und warum ist es wichtig?
- Definition und Hintergrund: Grundlagen des maschinellen Lernens, Unterschiede zwischen ML, KI un...
- Was ist Machine Learning und warum ist es wichtig?
Termine und Orte
| Datum | Dauer | Preis | ||
|---|---|---|---|---|
| Köln, DE | ||||
| 23.11.2026 - 26.11.2026 28 h | 28 h | Details | Details Jetzt buchen | |
| 22.02.2027 - 25.02.2027 28 h | 28 h | Details | Details Jetzt buchen | |
| 18.05.2027 - 21.05.2027 28 h | 28 h | Details | Details Jetzt buchen | |
| 16.08.2027 - 19.08.2027 28 h | 28 h | Details | Details Jetzt buchen | |
| 22.11.2027 - 25.11.2027 28 h | 28 h | Details | Details Jetzt buchen | |
| Datum | Dauer | Preis | ||
|---|---|---|---|---|
| Köln, DE | ||||
| 23.11.2026 - 26.11.2026 28 h | 28 h | Details | Details Jetzt buchen | |
| 22.02.2027 - 25.02.2027 28 h | 28 h | Details | Details Jetzt buchen | |
| 18.05.2027 - 21.05.2027 28 h | 28 h | Details | Details Jetzt buchen | |
| 16.08.2027 - 19.08.2027 28 h | 28 h | Details | Details Jetzt buchen | |
| 22.11.2027 - 25.11.2027 28 h | 28 h | Details | Details Jetzt buchen | |