Haben Sie Fragen?
Das Beste aus Supervised und Unsupervised Machine Learning
Lernen durch praktische Anwendungsfälle
Vor- und Nachteile der gelernten Methoden
#MasterTheMachines
Machine Learning avanciert zum elementaren Wertschöpfungs- und Erfolgsfaktor der Digitalisierung. Dieses zweitägige Seminar vermittelt einen Überblick über die Möglichkeiten, Methoden und Einsatzgebiete von Machine Learning. Diese Einsteigerschulung setzt sich aus den beiden Modulen Supervised Learning und Unsupervised Learning zusammen.
Zu den Themen gehören dabei Supervised Learning Methoden zur Klassifikation und Regression (von linearen Verfahren über Nächste-Nachbarn und Bayes Klassifikatoren hin zu Entscheidungsbäumen und baumbasierten Ensemble Verfahren), Neuronale Netze und Deep Learning sowie Unsupervised Learning Methoden für Clustering oder zur Anomalie Erkennung.
Dabei werden nicht nur die technischen Grundlagen der Methoden erläutert, sondern auch ihre jeweiligen Vor-und Nachteile sowie beispielhafte Anwendungsfälle aufgezeigt. Die Theorie wird anhand von praktischen Übungen in Python in die Praxis überführt.
Nach Absolvieren der Schulung sind die Teilnehmer mit modernen Supervised und Unsupervised Machine Learning Ansätzen vertraut.
Unsere erfahrenen Dozenten verfügen über mehrjährige Berufserfahrung in verschiedenen Branchen. Dadurch gewähren wir einen hohen Praxisbezug unserer Schulungen und Trainings.
Die wichtigsten Inhalte der Machine Learning Schulung
Tag 1 - Supervised Machine Learning Modul
- Einführung zu Machine Learning und warum wir es brauchen: descriptive analytics vs. predictive analytics
- Einordnung von Machine Learning in den Business Kontext: Anwendungsbeispiele
- Klärung der wichtigsten Grundbegriffe und Definition der Problemstellungen beim Supervised Learning
- Bayes Klassifikatoren
- Hauptprinzip von Bayes Klassifikatoren (Satz von Bayes, Baye’sche Entscheidungsregel)
- Beispiel-Umsetzung der Grundidee: naive Bayes Klassifikatoren
- Diskussion der Vor- und Nachteile anhand von beispielhaften Anwendungen
- Lineare Klassifikatoren
- Funktionsweise der linearen Klassifikatoren
- Veranschaulichung der Grundidee: Support Vector Machines (SVMs)
- Erweiterung von SVMs auf nicht-lineare Klassifikation (Kernel Machines)
- Diskussion der Vor- und Nachteile anhand von möglichen Anwendungsfällen
- Entscheidungsbäume
- Grundprinzip von Entscheidungsbäumen
- Beispiel-Umsetzung der Grundidee: Diskussion verschiedener Split Strategien
- Erweiterung von Entscheidungsbäumen: Pruning zur Vermeidung von Overfitting
- Diskussion der Vor- und Nachteile mit Hilfe von real-life Use Cases
- Nächste-Nachbarn (NN) Klassifikatoren:
- Grundlagen von NN Klassifikatoren
- Beispiel-Umsetzung der Grundidee: Diskussion verschiedener Gewichtungen und Voting-Strategien
- Diskussion der Vor- und Nachteile der Anwendung am Beispiel der Use Cases
- Evaluation der Güte von gelernten Modellen (Klassifikatoren)
- Diskussion der Herausforderungen, insbesondere des Overfittings
- Überblick über Maßnahmen gegen Overfitting: das Train-and-Test-Paradigma
- Grundlegende Einführung in die Konzepte von neuronalen Netzen und Deep Learning
Tag 2 - Unsupervised Machine Learning Modul:
Einführung zu Data Mining sowie Unsupervised Learning und warum wir es brauchen: labeled vs. unlabeled Data
Einordnung von Unsupervised Learning in den Business Kontext: Anwendungsbeispiele
Klärung der wichtigsten Grundbegriffe und Definition der Problemstellungen bei Clustering-Verfahren
Überblick über die verschiedenen Paradigmen von Clustering-Verfahren:
Partitionierende Verfahren: Grundidee der Partitionierung mit Kostenfunktionen, Überblick über verschiedene Kostenfunktionen, Beispiel-Methoden (K-Means, K-Medoid, K-Mode, K-Median), Diskussion der Parameterisierung der Algorithmen sowie grundlegender Eigenschaften
Wahrscheinlichkeitsbasierte Verfahren: Grundidee der Modellierung von Cluster durch Wahrscheinlichkeitsverteilungen, Vorstellung von Algorithmen, Diskussion der Unterschiede zu partitionierenden Verfahren
Dichtebasierte Verfahren: Grundidee der Daten-Dichte, Überblick über Distanzfunktionen und Definitionen von Daten-Dichte, Beispiel-Algorithmen (DBSCAN, SNN), Diskussion der Parameterisierung sowie grundlegender Eigenschaften
Hierarchische Verfahren: Hauptkonzept der hierarchischen Partitionierung, Darstellung der hierarchischen Partitionierung, grundlegende Algorithmen (Agglomerative und Divisive Algorithmen), Einführung in dichte-basierte hierarchische Clusterverfahren
Diskussion von Evaluations-Verfahren für Ergebnisse von Clustering Verfahren:
Einführung grundlegender Konzepte und Diskussion der wesentlichen Herausforderungen
Überblick über die Klassen von Verfahren (interne und externe Methoden)
Diskussion und Anwendungsszenarien
Einführung in die Problemstellung der Ausreißererkennung: Problemdefinition, Beispiel-Anwendungen
Überblick über verschiedene Paradigmen der Ausreißererkennung: statistische Ansätze, globale Ansätze und lokale Ansätze
Alles auf einen Blick!
- Lernen Sie die Grundlagen von Supervised und Unsupervised Machine Learning
- Geeignet für Mitarbeiter aus allen Fachbereichen mit analytischen Aufgaben
- Zweitägige Schulung in München
- Teilnehmerzahl auf 10 begrenzt
- Gemeinsames Mittagessen und Verpflegung inklusive
- Sprache: Deutsch
Hallo, ich bin Claudia Djukic-Müller.
Ich helfe Ihnen gerne weiter. Sie erreichen mich telefonisch unter +49 (0) 89 – 323 731 32
Zielgruppe & Voraussetzungen
Zielgruppe
Dieses Machine Learning Seminar richtet sich an alle Personen, die einen Überblick über die Möglichkeiten und Einsatzpotenziale von Machine Learning erhalten möchten. Dazu gehören Mitarbeiter aus allen Fachbereichen mit analytischen Aufgaben, Business Analysten, Junior Data Scientists und interessierte IT-Mitarbeiter.
Voraussetzungen
Grundlegende Kenntnisse in Statistik, Mathematik und Informatik sind notwendig.
Organisation
Die Machine Learning Schulung für Einsteiger findet von 10:00 Uhr bis 18:00 Uhr in München statt. Es gibt ein gemeinsames Mittagessen mit allen Seminarteilnehmern und dem Dozenten im Leib&Seele, das sich direkt neben dem Data Science Hub befindet. Hier haben Sie in entspannter Atmosphäre Gelegenheit, im gemeinsamen Gespräch mit dem Dozenten Themen und offene Fragen zu vertiefen.
Die Teilnehmerzahl der Machine Learning Schulung ist auf 10 begrenzt, um Ihnen einen optimalen Lernerfolg zu ermöglichen.
Ort
Der zweitägige Machine Learning Kurs findet in unserem Data Science Hub im Sapporobogen 6-8 in München statt. Mit den öffentlichen Verkehrsmitteln erreichen Sie uns innerhalb von 15 Minuten vom Hauptbahnhof. Gerne lassen wir Ihnen Hotelempfehlungen in der Nähe zukommen.
Enthaltene Extras
Neben dem zweitägigen Seminar auch Verpflegung in Form eines Frühstückssnacks, eines gemeinsamen Mittagessens sowie Kaffee und Kuchen am Nachmittag enthalten. Im Seminar erhalten Sie ausführliche Schulungsunterlagen zur Nachbereitung und späteren Verwendung.
Ihr Dozent
Peer Kröger
Prof. Dr. Peer Kröger ist seit 2015 Professor für Data Science am Lehrstuhl für Datenbanksysteme und Data Mining der Ludwig-Maximilians-Universität (LMU) München. 2013 gründete er mit Kollegen das Data Science Lab an der LMU und ist seitdem dessen Direktor. Er ist seit vielen Jahren in Wissenschaft und Wirtschaft als Berater und Trainer zu den Themen Data Management, Data Analytics und Data Science aktiv und arbeitet seit einigen Jahren mit AT an strategischen Themen zusammen. Weiterhin ist er Vorstandsmitglied im Archaeo-Bio-Center der LMU, Mitglied des Steering Committees des Data Science Certificate Program der LMU, sowie Geschäftsführer der Applied Data Science GmbH.
Starten Sie gut informiert in Ihre Schulung!
Sie haben Fragen zu den Inhalten, zur Organisation oder interessieren sich für ein Inhouse-Seminar zu unterschiedlichen Themen um Data & AI? Ich helfe Ihnen gerne weiter. Sie erreichen mich telefonisch unter +49 (0) 89 – 323 731 32