• Machine Learning: Grundlagen supervised und unsupervised learning mit Anwendungsbeispielen in TensorFlow Keras - 2 Tage / S1912
• Machine Learning: Praxistag mit TensorFlow - 1 Tag / S2053
• Machine Learning mit Python - 3 Tage / S2139
• Deep Learning mit Python & Keras - 4 Tage / S2140
• Deep Learning mit Schwerpunkt Bildverarbeitung (Vision) in Keras/Tensorflow - 3 Tage / S2159
• Chancen aus Data Analytics und künstlicher Intelligenz erkennen und nutzen - 1 Tag / S2162
• Machine Learning und Deep Learning im Unternehmenseinsatz - 2 Tage / S2203

Eine Gruppe einer Firma will zusammen die Schulung Daten und Künstliche Intelligenz (KI / AI) - Basiswissen und Anwendungen frequentieren

Hier kann ein Inhouse-Training zur Augabenstellung Daten und Künstliche Intelligenz (KI / AI) - Basiswissen und Anwendungen angemessen sein. Der Lehrstoff des Seminars kann dabei zusammen mit den Fachdozenten variiert oder gestrafft werden.

Haben die Schüler&ldquo ohnehin Erfahrung in Daten und Künstliche Intelligenz (KI / AI) - Basiswissen und Anwendungen, sollte der erste Punkt der Agenda nur gestreift werden. Eine Firmen-Fortbildung lohnt sich bei mindestens 3 Mitarbeitern. Die Inhouse-Seminare zum Thema Daten und Künstliche Intelligenz (KI / AI) - Basiswissen und Anwendungen finden manchmal in der Umgebung von Bochum, Berlin, Düsseldorf, Stuttgart, Frankfurt, Essen, Nürnberg, Leipzig, Bonn, Münster, Bielefeld, Wuppertal, München, Duisburg, Hamburg, Dresden, Hannover, Dortmund, Bremen und Köln am Rhein in NRW statt.

Welche Kurse ergänzen Daten und Künstliche Intelligenz (KI / AI) - Basiswissen und Anwendungen?

Eine passende Erweiterung bildet Daten und Künstliche Intelligenz (KI / AI) - Basiswissen und Anwendungen mit

• Datenvisualisierung Nach  einer kurzen Einführung in die Visualisierung können Sie verschiedene  Visualisierungstypen (wie Balkendiagramme, Liniendiagramme) ausprobieren  und lernen die Grundlagen, um den richtigen Typ auszuwählen.
• KI - Grenzen Liest  man aktuelle Zeitungsartikel, scheinen der Künstlichen Intelligenz keine  Grenzen gesetzt zu werden. Wir räumen mit verschiedenen Mythen auf und  diskutieren Ansätze.
• Begrüßung und Vorstellung der Daten-Agenda
• Datenvisualisierung Nach  einer kurzen Einführung in die Visualisierung können Sie verschiedene  Visualisierungstypen (wie Balkendiagramme, Liniendiagramme) ausprobieren  und lernen die Grundlagen, um den richtigen Typ auszuwählen.

Erwägenswert ist auch ein Kurs von „Grundlagen von Machine Learning“ mit der Behandlung von

• Reduktion der Dimensionalität Hands-On mit Übungen zu PCA, PCA zur Kompression, Kernel-PCA anhand von geeigneten Beispiel Datensätzen
• Support Vector Machines (SVM)
• Modellvalidierung und Hyperparameter Übung mit Jupyter notebook: Modellvalidierung mit Iris-Datensatz, Kreuzvalidierung, Leave-one-out-Kreuzvalidierung, Bias-Varianz-Trade-Of, Validierungskurve, Lernkurve, Grid search, Übungen
• Einführung in Scikit-Learn  Hands-on anhand eines Klassifikationsmodells

Für Firmenschulungen ist das Thema „Ethik und Risiken im Machine Learning und in der künstlichen Intelligenz“ mit den Kapiteln Kognitive Voreingenommenheit / Bias und Diskussion passend.

Für Professionals eignet sich auch eine AI Crash Course for .NET and Azure Friends Schulung. In diesem Seminar werden u.a.

• ConvNets
• Building ML models using Azure ML Studio
• .NET and Python Jupyter Notebook
• Recommender systems application (Restaurant Recommendation)

besprochen.