-
Тип степени: Сертификат "Машинное обучение
-
Дополнительная квалификация: Сертификат "Статистика и анализ данных"
-
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: 8 Недели
Статистика и анализ данных
Основы статистики (около 6 дней)
Основы теории измерений (популяция, выборка, типы выборок, измерение, уровни шкалы).
Одномерная описательная статистика (частотные распределения, центральные меры, меры дисперсии, стандартизация, гистограммы, столбчатые диаграммы, круговые диаграммы, линейные диаграммы, коробчатые диаграммы)
Двумерная описательная статистика (меры корреляции, коэффициенты корреляции, кросстабы, диаграммы рассеяния, сгруппированные гистограммы)
Основы индуктивной выводной статистики (распределения вероятностей, нормальное распределение, выборочное распределение среднего, проверка значимости, проверка нулевой гипотезы, уровень значимости, размер эффекта, оценка параметров, доверительные интервалы, графики ошибок, анализ мощности, размер выборки)
Подготовка данных и их очистка с помощью соответствующего программного обеспечения
Описательный анализ
Визуализация статистических результатов
Анализ и интерпретация статистических результатов с помощью ИИ
Методы сравнения двух групп (около 5 дней)
z-тест, t-тест для одной выборки
t-тест для независимых и связанных выборок
Претест-посттест с двумя группами
Вспомогательные тесты значимости (тест Андерсона-Дарлинга, тест Райана-Джойнера, тест Левена, тест Бонета, тест значимости для корреляций)
Непараметрические методы (тест Вилкоксона, тест знаков, тест Манна-Уитни)
Анализ зависимостей (биномиальный тест, точный тест Фишера, тест хи-квадрат, кросс-табуляция, меры ассоциации)
Интерпретация результатов тестирования
Интерпретация результатов с поддержкой ИИ
Основы регрессионного анализа (около 2 дней)
Линейная регрессия
Интерпретация моделей
Интерпретация моделей с поддержкой искусственного интеллекта
Корреляционный анализ
Методы сравнения средних показателей нескольких групп (около 3 дней)
Однофакторный и двухфакторный дисперсионный анализ (ANOVA)
Пост-хок анализ
Интерпретация различий между группами
Многофакторный дисперсионный анализ (общая линейная модель)
Фиксированные, случайные, перекрестные и вложенные факторы
Методы множественных сравнений (Tukey-HSD, Dunnett, Games-Howell)
Анализ взаимодействия
Анализ мощности для дисперсионного анализа
Введение в проектирование экспериментов (DoE) (около 1 дня)
Полнофакторные и частичнофакторные экспериментальные схемы
Работа над проектом (около 3 дней)
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
Возможны изменения, содержание курса регулярно обновляется.
После прохождения этого курса вы будете уметь подготавливать данные, проводить их статистический анализ и профессионально интерпретировать результаты. Вы сможете самостоятельно проводить статистический анализ с помощью соответствующего программного обеспечения, визуализировать результаты и использовать методы для проверки гипотез и поддержки принятия решений. Вы также сможете планировать выборки и проводить анализ мощности.
Кроме того, 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 в курсе последних достижений в области глубокого обучения и генеративного искусственного интеллекта.
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.
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 .