Machine Learning und KI-Methoden

Die Digitalisierung hat Auswirkungen auf nahezu jedes Unternehmen. Digitale Anwendungen produzieren riesige Datenmengen, deren Auswertung wichtige Impulse zur Erreichung der Unternehmensziele geben können. Wichtige Unterstützung zur Analyse der Datenmassen geben maschinelle Lernverfahren, bei denen ein Algorithmus durch Wiederholung und vorgegebene Kriterien selbstständig lernt, eine Aufgabe zu erfüllen, ohne dass ein Lösungsweg vorgegeben ist. Diese Künstliche Intelligenz (KI) erkennt und sortiert bspw. Informationen aus Eingabedaten, die dann in Analyseergebnissen aufgehen.

Die Teilnehmer erhalten im Seminar eine Einführung in die wichtigsten Methoden, Algorithmen und Datenaufbereitungstechniken, um Muster in großen Datenmengen schnell und einfach zu erkennen, Objekte automatisch in sinnvolle Cluster zu gruppieren, Objekte in vordefinierte Kategorien zu klassifizieren und die Merkmale so aufzubereiten, damit Prognosefragestellungen bestmöglich umgesetzt werden können. Zur schnellen und objektiven Bewertung der Güte und Präzision von trainierten Modellen werden neue Denkweisen zur Parameter-Optimierung, Modellbewertung und Modellauswahl vorgestellt, um für den operativen Einsatz von Machine Learning-Modellen (MLOps) optimal vorbereitet zu sein.

Dieses Seminar ist auch Teil der Ausbildung „Data Scientist (TÜV®)“

Zielgruppe
Statistiker, Business-Analysten, Ingenieure, IT-Experten und angehende Data Scientists, die sich mit den Potenzialen und Einsatzgebieten von Machine Learning und künstlicher Intelligenz vertraut machen möchten, um die Datenpotenziale schneller und besser zu heben. Manager und Führungskräfte, die daten- und algorithmengestützte Prozessautomatisierungen im Unternehmen verankern wollen, um digitale Entscheidungen im großen Umfang umsetzen zu können.

Inhalt

• Einführung in Data Science und die Welt der Algorithmen
• Machine Learning und Künstliche Intelligenz - Best Practices und Erfolgsfaktoren
• Einführung in Feature Engineering
• Algorithmen des Überwachten Lernens (Decision Tree, Regression, Neural Network, Naïve Bayes, Support Vector Machines, Ensemble Modeling)
• Algorithmen des Unüberwachten Lernens (Cluster Analysis, Association Analysis)
• Einführung in Deep Learning
• Bewertung der Modell-Performance und Modell-Vergleich
• MLOps - Modell Deployment und operativer Modelleinsatz

Abschluss
Teilnahmebescheinigung der TÜV Thüringen Akademie GmbH

Dauer
16 Seminarstunden
08:30 bis 16:00 Uhr

Zugangsvoraussetzung
Statistische Grundkenntnisse sind von Vorteil, idealerweise wurde der folgende Kurs bereits besucht: Data Science mit Python

Bitte beachten: Dieses Seminar ist Teil der Ausbildung „Data Scientist (TÜV®)“. Wenn dieser Abschluss angestrebt wird, muss ein Studienabschluss im MINT-Bereich oder eine gleichwertige Qualifikation (insbesondere mathematische Vorkenntnisse) nachgewiesen werden.

Preisdetails

Im Preis enthalten sind bei Präsenzveranstaltungen Seminarverpflegung, Lern- und Arbeitsmittel sowie Lehrmaterial in digitaler oder gedruckter Form, bzw. digitales Lehrmaterial bei Live-Webinaren.

Hinweise
Die theoretischen Inhalte werden in Form von praxisnahen Übungen vertieft. Die dafür notwendige Schulungsumgebung wird gestellt. Der Zugriff auf die Schulungsumgebung erfolgt mit einem Browser (Chrome oder Firefox).