Вначале в рамках курса «Дизайн-мышление» будет представлен подход к решению проблем и разработке новых идей. Затем ты освоишь полный рабочий процесс машинного обучения — от подготовки данных и разработки моделей до оценки и интерпретации результатов. В ходе курса вы познакомитесь с такими методами, как регрессия, классификация, нейронные сети, генеративный ИИ и обработка естественного языка, а также с развертыванием моделей. Затем в курсе будут разъяснены методы глубокого обучения на основе нейронных сетей. Глубокое обучение, как подраздел машинного обучения, использует алгоритмы для интеллектуальных процессов обучения.
-
Тип степени: Сертификат "Дизайнерское мышление
Сертификат "Машинное обучение
Сертификат "Глубокое обучение -
Итоговый экзамен: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Время уроков: Полный рабочий деньС понедельника по пятницу с 8:30 до 15:35 (в праздничные дни с 8:30 до 17:10).
-
Язык обучения: Немецкий
-
Продолжительность: 9 Недели
Дизайнерское мышление
Введение в дизайн-мышление (около 1,5 дней)
Процесс дизайн-мышления с первого взгляда
Наиболее важные правила и фазы дизайн-мышления
Практические подходы и приложения
Цифровые инструменты и искусственный интеллект в инновационном процессе
Фаза 1: Исследование (около 0,5 дня)
Методы исследования, ориентированного на пользователя
Техника проведения интервью и анализ потребностей
Исследования и обработка информации с помощью ИИ
Этап 2: Обобщение (около 0,5 дня)
Анализ и структурирование полученных данных
Разработка определений проблем и персон
Визуализация и кластеризация результатов
Фаза 3: Идеи (около 0,5 дня)
Креативные техники для разработки идей
Методы поиска и оценки решений
Использование генеративного ИИ в процессе разработки идей
Этап 4: Создание прототипов (около 0,5 дня)
Разработка первоначальных подходов к решению и макетов
Знакомство с быстрым прототипированием и манекенами
Цифровые инструменты для визуализации концепций
Этап 5: Тестирование (около 0,5 дня)
Методы проведения тестов и раундов обратной связи
Анализ и оптимизация подходов к решению
Итеративная работа и agile-разработка
Работа над проектом (около 1 дня)
Закрепление изученного материала
Презентация результатов проекта
Машинное обучение
Введение в машинное обучение и рабочий процесс ML (около 3 дней)
Основы, области применения и виды машинного обучения
Систематизация современных методов искусственного интеллекта и машинного обучения
Рабочий процесс машинного обучения с использованием scikit-learn
Данные для обучения, валидации и тестирования
Недообучение, переобучение и оценка моделей
Кросс-валидация
Подготовка данных и инжиниринг признаков (около 2 дней)
Качество данных и предварительная обработка данных
Масштабирование, нормализация и кодирование
Инженерия признаков и выбор признаков
Работа с отсутствующими значениями, выбросами и несбалансированными наборами данных
Обучение с учителем — регрессия и классификация (около 5 дней)
Методы регрессии и классификации
Линейные и регуляризованные модели
Методы, основанные на расстоянии, вероятности и деревьях
Ансамблевые и бустинг-методы
Сравнение моделей и оптимизация гиперпараметров
Метрики оценки и вероятностные прогнозы
Важность признаков и объяснимый ИИ
Обучение без контроля (около 2 дней)
Сведение размерности и извлечение признаков
Методы кластеризации и оценка результатов кластеризации
Обнаружение аномалий
Анализ временных рядов и прогнозы (около 1 дня)
Основы и анализ данных временных рядов
Методы прогнозирования и машинное обучение для временных рядов
Нейронные сети и современный ИИ (около 2 дней)
Основы нейронных сетей и глубокого обучения
Машинное обучение для текстовых данных и обработка естественного языка
Базовые модели, крупные языковые модели и генеративный ИИ
Развертывание моделей машинного обучения (около 1 дня)
Хранение и предоставление обученных моделей
Разработка простых приложений машинного обучения
Интерфейсы и платформы для моделей машинного обучения
Работа над проектом (около 4 дней)
Закрепление изученного материала
Презентация результатов проекта
Глубокое обучение
Введение в глубокое обучение (около 1 дня)
Глубокое обучение как разновидность машинного обучения
Основы нейронных сетей (около 4 дней)
Многослойные перцептроны
Расчет нейронных сетей
Оптимизация параметров модели, обратное распространение
Библиотеки глубокого обучения
Регрессия и классификация
Типичные функции потерь и активации
Оценка прогноза модели с помощью метрик
Метрики регрессии и классификации
Кривые обучения, оверфиттинг и регуляризация
Оптимизация гиперпараметров
Регуляризация L1/12
Отсев
Ранняя остановка
Стохастический градиентный спуск (СГС)
Момент, оптимизатор Адама
Оптимизация скорости обучения
Динамическая регулировка скорости обучения
Снижение скорости обучения на плато
Оптимизация скорости обучения с помощью TensorBoard
Управление процессом подгонки с помощью обратных вызовов
Сохранение и загрузка моделей
Конволюционная нейронная сеть (CNN) (около 2 дней)
Классификация изображений
Конволюционные слои, объединяющие слои
Перестраивающие слои, сглаживание, объединение глобальных средних
Архитектуры CNN ImageNet-Competition
Глубокие нейронные сети, исчезающие градиенты, пропуск связей, пакетная нормализация
Трансферное обучение (около 1 дня)
Адаптация и комбинирование моделей
Предварительное обучение без контроля
Дополнение данных изображениями, объяснимый ИИ
Загрузчик данных
Региональный CNN (около 1 дня)
Локализация объектов
Семантическая сегментация
Проблемы регрессии
Разветвленные нейронные сети
Архитектура YOLO
Модели U-Net
Методы творческой генерации изображений (около 1 дня)
Генеративные адверсарные сети (GAN)
Глубокие подделки
Диффузионные модели
Суперразрешение
Дополнение областей изображения
Применение базовых моделей из Hugging Face
Мультимодальные модели
LoRA-Fine-Tuning
Области применения генеративных моделей
Правовые ограничения
Рекуррентные нейронные сети (около 2 дней)
Анализ последовательностей
Рекуррентные слои
Обратное распространение во времени (BPTT)
Анализ временных рядов
Проблемы разрыва и исчезающего градиента
LSTM (Long Short-Term Memory)
GRU (Gated Recurrent Unit)
Глубокий RNN
Глубокий LSTM
Обработка текста с помощью нейронных сетей (около 2 дней)
Предварительная обработка текста
Встраивание слоев
Классификация текста
Анализ настроения
Обработка естественного языка (NLP)
Переводы
Генерация текста
Метод "последовательность-последовательность", архитектура кодер-декодер
Модели, использующие только кодер и только декодер
Локальное применение больших языковых моделей
Языковые модели (около 1 дня)
Архитектура трансфомеров
Внимание и многоголовое внимание
Позиционные кодировки
Тонкая настройка больших языковых моделей
Подсказки
Конвейеры генерации текста
Резюме
Чат-боты
Поиск Расширенная генерация
ИИ-агенты
Глубокое обучение с подкреплением (около 1 дня)
Управление динамическими системами
Агентские системы
Обучение через вознаграждение
Градиенты политики
Глубокое Q-обучение
Байесовские нейронные сети (около 1 дня)
Неопределенности в нейронных сетях
Статистическая оценка прогнозов
Доверие, стандартное отклонение
Несбалансированные данные
Методы выборки
Работа над проектом (около 3 дней)
Закрепление изученного материала
Презентация результатов проекта
Возможны изменения, содержание курса регулярно обновляется.
По окончании курса ты сможешь подготавливать данные для приложений машинного обучения, выбирать подходящие методы контролируемого и неконтролируемого обучения, а также обучать, оценивать и оптимизировать модели. Вы сможете интерпретировать результаты моделирования и реализовывать базовые приложения машинного обучения. Кроме того, вы будете знакомы с современными разработками в области глубокого обучения и генеративного ИИ.
Вы также знакомы с областями применения глубокого обучения и принципами работы нейронных сетей. Вы понимаете, как нейронные сети могут распознавать объекты на изображениях и способны обеспечить машинное обучение и процессы документирования.
Кроме того, в рамках курса изучается подход «дизайн-мышление», с помощью которого можно разрабатывать инновационные и ориентированные на пользователя решения для сложных задач. Вы познакомитесь с принципами и структурированным, итеративным процессом «дизайн-мышления» и узнаете, как практические инструменты, цифровые технологии и искусственный интеллект способствуют творческим и междисциплинарным инновационным процессам.
Компьютерные науки, математика, электротехника и люди со степенью в области (бизнес) инженерии.
Машинное обучение применяется во всех отраслях для анализа больших объемов данных, выявления закономерностей, оптимизации процессов и составления прогнозов. Соответствующие знания находят применение, в частности, в сфере ИТ, промышленности, логистики, финансов и маркетинга. Знание языка Python, а также навыки разработки, оценки и применения моделей машинного обучения открывают возможности для работы в сферах, ориентированных на данные и искусственный интеллект.
Глубокое обучение может использоваться для анализа больших объемов данных на предмет выявления закономерностей и моделей. Именно поэтому оно часто используется в контексте искусственного интеллекта для распознавания лиц, объектов или речи, например, при распознавании медицинских изображений, распознавании текста и речи в продажах, обеспечении безопасности ИТ-данных или мониторинге финансовых операций. Поэтому специалисты с такими знаниями могут применяться в самых разных областях и пользуются большим спросом на рынке труда.
Изначально дизайн-мышление было инновационным методом разработки продуктов, но теперь оно распространилось на всю корпоративную культуру и поэтому востребовано во всех отраслях.Ваш значимый сертификат дает подробное представление о приобретенных вами квалификациях и улучшает ваши карьерные перспективы.
Дидактическая концепция
Ваши преподаватели обладают высокой профессиональной и дидактической квалификацией и будут обучать вас с первого до последнего дня (никакой системы самообучения).
Вы будете учиться в эффективных небольших группах. Обычно курсы состоят из 6-25 человек. Общие занятия дополняются многочисленными практическими упражнениями во всех модулях курса. Практический этап - важная часть курса, поскольку именно в это время вы обрабатываете полученные знания и обретаете уверенность и практичность в их применении. Заключительный раздел курса включает в себя проект, разбор конкретных ситуаций или итоговый экзамен.
Виртуальный класс alfaview®
BildungszentrumЗанятия проводятся с использованием современной видеотехнологии alfaview® - не выходя из дома или в нашем офисе по адресу . Весь курс может видеть друг друга лицом к лицу через alfaview®, общаться друг с другом с помощью синхронизированного по губам голоса и работать над совместными проектами. Разумеется, вы также можете в любое время видеть и разговаривать со своими преподавателями в прямом эфире, и на протяжении всего курса вас будут обучать преподаватели в режиме реального времени. Уроки - это не электронное обучение, а настоящее живое очное преподавание с помощью видеотехнологий.
alfatraining Agentur für Arbeit Учебные курсы субсидируются и сертифицируются в соответствии с положением об утверждении AZAV. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinПри подаче заявки или заявки на обучение все расходы на курс обычно покрываются финансирующей организацией.
Europäischen Sozialfonds Deutsche Rentenversicherung Финансирование также возможно через программы (ESF), (DRV) или региональные программы финансирования. Berufsförderungsdienst Как постоянный солдат, вы можете посещать курсы повышения квалификации по программе (BFD). Agentur für Arbeit (Qualifizierungschancengesetz) Компании также могут повысить квалификацию своих сотрудников по программе финансирования от .