Schulungsübersicht

Grundlagen von Machine Learning

  • Einführung in Machine Learning-Konzepte und Arbeitsabläufe
  • Überwachtes vs. unüberwachtes Lernen
  • Bewertung von Modellen des maschinellen Lernens: Metriken und Techniken

Bayes'sche Methoden

  • Naive Bayes und multinomiale Modelle
  • Bayes'sche Analyse kategorischer Daten
  • Bayes'sche grafische Modelle

Regressionstechniken

  • Lineare Regression
  • Logistische Regression
  • Verallgemeinerte lineare Modelle (GLM)
  • Gemischte Modelle und additive Modelle

Dimensionalitätsreduktion

  • Hauptkomponentenanalyse (PCA)
  • Faktorenanalyse (FA)
  • Unabhängige Komponentenanalyse (ICA)

Klassifizierungsmethoden

  • K-Nächste Nachbarn (KNN)
  • Support Vector Machines (SVM) für Regression und Klassifikation
  • Boosting- und Ensemble-Modelle

Neural Networks

  • Einführung in neuronale Netze
  • Anwendungen von Deep Learning in Klassifizierung und Regression
  • Training und Abstimmung neuronaler Netze

Fortgeschrittene Algorithmen und Modelle

  • Versteckte Markov-Modelle (HMM)
  • Zustandsraum-Modelle
  • EM-Algorithmus

Clustering-Techniken

  • Einführung in Clustering und unüberwachtes Lernen
  • Beliebte Clustering-Algorithmen: K-Means, Hierarchisches Clustering
  • Anwendungsfälle und praktische Anwendungen von Clustering

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundkenntnisse in Statistik und Datenanalyse
  • Programming Erfahrung mit R, Python oder anderen relevanten Programmiersprachen

Zielgruppe

  • Datenwissenschaftler
  • Statistiker
 14 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Erfahrungsberichte (5)

Kommende Kurse

Verwandte Kategorien