Seminare
Seminare

Machine Learning: Grundlagen supervised und unsupervised learning mit Anwendungsbeispielen in TensorFlow Keras

Webinar - GFU Cyrus AG

Nach diesem Kurs kennen Sie wichtige Grundkonzepte des Maschinellen Lernens und können diese mit eigenen Daten und im Internet verfügbaren Tools anwenden.
Termin Ort Preis*
02.06.2025- 04.06.2025 online 2.296,70 €
02.06.2025- 04.06.2025 Köln 2.296,70 €
01.12.2025- 03.12.2025 Köln 2.296,70 €
01.12.2025- 03.12.2025 online 2.296,70 €

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:
  • Überblick Maschinelles Lernen
    • Lernformen: nicht überwachtes Lernen, verstärkendes Lernen, überwachtes Lernen
    • supervised learning versus unsupervised learning
    • classical learning versus deep learning
    • Statistik versus Maschinelles Lernen

  • Intelligente Agenten (KI-Systeme)
    • Struktur von Agenten, Agentenprogramm, Agentenfunktion
    • Agenten-Grundtypen
    • Modellbasierter Reflexagent
    • Lernender Agent

  • supervised learning („Lernen mit Lehrer“)
    • Lernen aus Beispielen
    • Trainingsmenge versus Testmenge
    • Generalisierungsfähigkeit der gelernten Abbildung
    • Problem der Überanpassung

  • Neuronale Netze, Multi Layer Perceptrons
    • Vom biologischen zum technischen Neuron
    • Perceptron
    • Nichtlineare Aktivierungsfunktionen
    • Multi-Layer-Perceptrons (mehrschichtige neuronale Netze)
    • Lernalgorithmus „Backpropagation of Error“
    • Machine-Learning-Tool „TensorFlow Keras“
    • Beispiele zu Regression und Klassifikation mit Multi Layer Perceptrons
    • Beispiel: Multi Layer Perceptrons mit TensorFlow Keras
    • praktische Tipps
    • deep learning
    • Beispiele und Demos zu deep learning

  • Neuronale Netze, Convolutional Neural Networks (CNN)
    • Grundidee und Topologie CNN
    • Beispiele und Demos zu Convolutional Neural Networks / Deep Learning
    • Beispiel: Convolutional Neural Networks mit TensorFlow Keras

  • Neuronale Netze, Recurrent Neural Networks (RNN, LSTM)
    • Grundidee und Topologie RNN
    • Lernalgorithmus „Backpropagation Through Time“
    • Long Short-Term Memory Networks (LSTM)
    • Beispiele und Demos zu RNN und LSTM

  • Support-Vektor-Maschinen
    • Grundidee und Unterschied zu Neuronalen Netzen
    • Kernel-Trick zur Garantie der Linearen Separierbarkeit in höheren Dimensionen
    • Beispiele und Demos zu Support Vector Machines
    • praktische Tipps

  • unsupervised learning („Lernen ohne Lehrer“)
    • unsupervised classical learning
      • clustering
      • dimension reduction
      • association

    • unsupervised deep learning
      • autoencoder
      • Generative Adversarial Networks (GAN)
      • Beispiel: Generative Adversarial Networks mit TensorFlow Keras


  • Hinweise zu Tools, Internet-Quellen und Literatur
    • Diskussion spezifischer Fragestellungen aus der beruflichen Praxis




Dauer/zeitlicher Ablauf:
3 Tage
Zielgruppe:
Personen, die im weitesten Sinne mit dem Feld der Künstlichen Intelligenz in Berührung kommen. Mitarbeiter, die große Datenmengen analysieren möchten (artificial intelligence, machine learning). Personen, die große Datenmengen analysieren möchten (data science, data mining). Teilnehmer der Data Science Business Akademie.
Seminarkennung:
R80176
Nach unten
Nach oben
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern. Diese Cookies werden nicht automatisiert gesetzt. Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren. Weitere Informationen finden Sie hier.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha