Künstliche Intelligenz - Einstieg - Supervised und Unsupervised Machine Learning mit Python
(3-tägiger iX Workshop)
Schulungsziel
Künstliche Intelligenz (KI) ist aktuell eine Revolution in der Informationsverarbeitung. In vielen Bereichen des Alltags findet sie bereits sehr erfolgreich Anwendung: persönliche Sprachassistenten wie Alexa und Siri, Verkehrsvorhersagen und Routenoptimierung von Navigationssystemen, Produktempfehlungen und viele mehr. Machine Learning (zu deutsch maschinelles Lernen) ist eines der Technologie-Felder, die das ermöglichen. Profitieren Sie und Ihr Unternehmen von diesen neuen technischen Möglichkeiten.
In diesem 3-tägigen Intensiv-Workshop steigen Sie ein in die spannende Welt des Machine Learning. Sie erhalten einen Überblick über die Bereiche Supervised Machine Learning und Unsupervised Machine Learning und verstehen wann welcher Bereich zum Einsatz kommt. Sie lernen praxisnahe verschiedene Algorithmen aus diesen Bereichen zu verstehen und mit Python erfolgreich einzusetzen. Hierzu gibt es stets Übungen an denen Sie Ihr erworbenes Wissen testen und vertiefen können. Sie werden dabei stets von den Referenten unterstützt.
Nach einem jeweiligen Überblick über die Felder konzentrieren wir uns im Bereich Supervised Machine Learning auf Methoden der Klassifikation und Regression. Im Bereich Unsupervised Machine Learning liegt der Fokus auf dimensionsreduzierenden Methoden, Clusteringverfahren und Anomalieerkennung. Die Vermittlung des Wissens erfolgt mit anschaulichen Erklärungen sowie Übungen und nicht mit großen Formel-Bergen. Somit hat jeder Interessierte, die Möglichkeit, die Funktionsweise der Algorithmen nachzuvollziehen.
Es kommt der 'Python Scientific Stack' aus verschiedenen Python-Bibliotheken (wie scikit-learn, numpy, pandas, matplotlib, ...) zum Einsatz. Diese lernen sie während des Kurses anzuwenden. Nach diesem Kurs werden Sie Begriffe wie Random Forests, Boosting, PCA, SVM und viele mehr nicht nur einzuordnen wissen, sondern die dahinterliegenden Algorithmen verstehen und praktisch anzuwenden wissen.
Melden Sie sich jetzt an und starten Ihre persönliche Reise erfolgreich mit diesem Kurs im Bereich Machine Learning.
Ziele:
- Was Künstliche Intelligenz (KI) und speziell Machine Learning (ML) aktuell leisten kann (und was nicht).
- Methoden des Supervised Machine Learning verstehen und mit Python anwenden.
- Methoden des Unsupervised Machine Learning verstehen und mit Python anwenden.
Hinweis:
Der Fokus liegt in diesem Kurs auf klassischen Machine Learning Methoden und nicht auf Neuronalen Netze/Deep Learning (für die Einführung und Anwendung von Deep Learning besuchen Sie folgenden Kurs: Deep Learning mit Tensorflow. Hierzu wird es lediglich einen kurzen Ausblick geben.
Voraussetzungen
- Grundlegende Kenntnisse in objektorientierter Programmierung.
- Bitte bringen Sie ein eigenes Notebook mit zum Workshop! Es wird ein gängiger Webbrowser benutzt. Zusätzliche Software ist nicht nötig.
- Vorher einen Blick wert: Google Colab:
https://colab.research.google.com/notebooks/welcome.ipynb,
Python Tutorial: https://www.programiz.com/python-programming/tutor...
Zielgruppe
- Artificial Intelligence (AI) Interessierte mit
Programmierkenntnissen - Softwareentwickler
Durchführung
Ist die Durchführung der Veranstaltung aufgrund höherer Gewalt, wegen Verhinderung eines Referenten, wegen Störungen am Veranstaltungsort oder aufgrund zu geringer Teilnehmerzahl (weniger als 50%) nicht möglich, werden die Teilnehmer spätestens 14 Tage vorher durch das heise Events-Team informiert.
Kontakt
Haben Sie Fragen zu der Organisation oder der Veranstaltung? Gern beantworte ich Ihre Fragen per E-Mail!
Jennifer Rypalla // jery@heise.de
Preise
Frühbucherpreis: 2.250,00 € *
Standardpreis: 2.475,00 €
Alle Preise inkl. MwSt.
* 10% Frühbucherrabatt bis 6 Wochen vor Veranstaltungsbeginn
Programm Tag 1 bis 3
Einführung
- Anwendungsbeispiele
- Einordnung Künstliche Intelligenz (KI) und Machine Learning (ML)
- Überblick ML und Grundbegriffe
- Entwicklungsprozess von ML Modellen
Supervised Machine Learning
- Einführung und Überblick
- Einführung in den Python scientific Stack und den angewandten Entwicklungsprozess von ML Modellen
- Regression
- Grundlagen
- Anwendung von Methoden (Logistic Regression, Ridge Regession, Kernel Ridge Regression, ...) mitÜbungen
- Classification
- Grundlagen
- Anwendung von Methoden (SVM, kNN, Random Forest, xgboost, ...) mit Übungen
Unsupervised Machine Learning
- Einführung und Überblick
- Dimensionality Reduction
- Grundlagen
- Anwendung von Methoden (PCA, t-SNE, UMAP, ...) mit Übungen
- Clustering
- Grundlagen
- Anwendung von Methoden (k-Means, ...) mit Übungen
- Anomalie Erkennung
- Grundlagen
- Anwendung von Methoden (one-Class SVM, ...) mit Übungen
Ausblick
- Weitere Trends: Deep Learning, MLOps, und ML in der Cloud
- Ask-Me-Anything Session
Philipp Braunhart
Philipp ist Freelance Machine Learning Engineer und Trainer. Bei Siemens hat er skalierbare Artificial Intelligence (A.I.) Lösungen im IoT Umfeld entwickelt. Von der Physik (B.Sc.) hat er sich in Richtung A.I. insbesondere Deep und Machine Learning (M.Sc.) entwickelt. Ob Deep Reinforcement Learning in der Robotik, Qualitäts-Vorhersagen bei Fertigungsprozessen oder Anomalieerkennung bei Prüfergebnissen von Flachbaugruppen: Es reizt ihn stets praktische Probleme mit Hilfe von intelligenten Algorithmen zu lösen. Mit großer Freude gibt Philipp sein Wissen weiter. Durch bildliche, einfach verständliche Erklärungen hilft er anderen Hürden zu überwinden, um ebenso viel Begeisterung für Machine Learning zu entwickeln.
Moustapha Karaki
Moustapha ist ein Machine Learning Engineer und Berater bei IBM für die Anwendung von AI in Unternehmen. Unter anderem am Fraunhofer IPK in der Forschungsgruppe"Sicherheitstechnologien", in Projekten in der Automobil-Branche, im Maschinenbau (B.Sc.) sowie bei IBM sammelte er Erfahrungen zu Deep und Machine Learning, Computer Vision und Robotik. Hierauf lag auch der Fokus seines M.Sc. in Computational Engineering Science. Zu seinen bisherigen Projekten gehören unter anderem Personenerkennung zur Sicherheit, Produkt-Qualitätsoptimierung basierend auf Maschinensensoren, und intelligente IoT Systeme in der Automobilindustrie. Durch seine Arbeit in der Beratung wurde ihm bewusst, wie wichtig es für die Menschen ist, eine AI-orientierte Denkweise zu haben. Die Verbreitung dieses Wissens ist sein Beitrag auf dem Weg zur kommenden Transformation.