08. Juni 2020 - 10:00 bis 18:00
Teilen Sie es auf:

Supervised Machine Learning Schulung für Einsteiger | Alexander Thamm GmbH | Montag, 08. Juni 2020

#SuperviseTheMachines
 
Machine Learning avanciert zum elementaren Wertschöpfungs- und Erfolgsfaktor der Digitalisierung. Dieses eintägige Seminar vermittelt einen Überblick über die Möglichkeiten, Methoden und Einsatzgebiete von Machine Learning. Im Fokus dieser Einsteigerschulung steht der Bereich Supervised Learning. Zu den Themen gehören dabei klassische Supervised Learning Methoden zur Klassifikation und Regression (von linearen Verfahren über Nächste-Nachbarn und Bayes Klassifikatoren hin zuEntscheidungsbäumen und baumbasierten Ensembleverfahren) ebensowie neuronale Netze und Deep Learning.
 
Dabei werden nicht nur die technischen Seiten der Methoden, sondern auch die jeweiligen Vor-und Nachteile erläutert 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 Machine Learning Ansätzen vertraut, in der Lage deren Vor- und Nachteile abzuwägen und kennen führende Open Source Software für die Umsetzung in der Praxis. 
 
Unsere erfahrenen Dozenten verfügen über mehrjährige Berufserfahrung in verschiedenen Branchen. Dadurch gewähren wir einen hohen Praxisbezug unserer Schulungen und Trainings. 
 
 
Die wichtigsten Inhalte der Supervised Machine Learning Schulung
 
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

 
Zielgruppe & Voraussetzungen
Zielgruppe 
Dieses Supervised Machine Learning Seminar richtet sich an alle Personen, die einen Überblick über die Möglichkeiten und Einsatzpotenziale von Supervised 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 Supervised Machine Learning Schulung 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 Schulung ist auf 10 begrenzt, um Ihnen einen optimalen Lernerfolg zu ermöglichen.
Ort
Das eintägige Seminar 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
Im Preis ist neben dem eintägigen Seminar auch Verpflegungin Form eines Frühstückssnacks, eines gemeinsamen Mittagessens sowie Kaffee und Kuchen am Nachmittag enthalten. Im Seminar erhalten Sie ausführliche Schulungsunterlagen zur Nachbereitung und späteren Verwendung.