- Następny termin:
- Ständig im Angebot mit laufendem Einstieg
- Łączny czas trwania:
- 270 Stunden in 30 Tage
- Praktyka:
- Nein
- Język wykładowy:
- Deutsch
- Rodzaj szkolenia:
- Weiterbildung
- Forma oferty:
- Virtuelles Klassenzimmer
- Angebote für Unternehmen Jetzt Anfragen
- Czas przeprowadzania zajęć:
- Tagesveranstaltung
- Min. ilość uczestników:
- keine Angaben
- Maks. ilość uczestników:
- 12
- Cena:
- keine Angaben
- Finansowanie:
- EU/Bund/Land
- Bildungsgutschein
- Qualifizierungschancengesetz
- Rodzaj dyplomu:
- Zertifikat/Teilnahmebestätigung
- Egzamin końcowy:
- Nein
- Rodzaj świadectwa ukończenia:
- keine Angaben
- Certyfikaty oferty:
- SGB III-Maßnahmezulassung
- Oferty tylko dla kobiet:
- Nein
- Organizatorzy oferujący opieką dla dzieci:
- Nein
- Link do oferty:
- Zum Angebot auf der Anbieter-Website
- Jakość informacji:
- Suchportal Standard Plus
- Grupy docelowe:
- keine Angaben
- Wymagania specjalistyczne:
- Individuelle Eignung
- Wymagania techniczne:
- Keine besonderen Anforderungen.
- Systematyka agencji zatrudnienia:
- C 1435-10-45 Softwareentwicklung, Programmierung - andere Programmiersprachen/Technologien
Treści
Dieser fortgeschrittene Python-Kurs befasst sich mit den Themen Knowledge Discovery in Datenbanken und dem Begriff des Data-Mining, bei dem es vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. In diesem Kurs bieten wir einen Überblick über die Potenziale von Künstlicher Intelligenz (KI), einschließlich Tools wie ChatGPT (GPT). Wir möchten den Teilnehmenden eine interaktive und praxisnahe Lernerfahrung ermöglichen und ihre Fähigkeiten in diesem Bereich fördern.
Inhalt
Grundlagen des maschinellen Lernens
Lernalgorithmen für die Klassifizierung trainieren
Machine-Learning Klassifizierer mit Scikit-learn verwenden
Datenvorverarbeitung
Datenkomprimierung durch Dimensionsreduktion
Best Practices zur Modellbewertung und Hyperparameter-Abstimmung
Kombination verschiedener Modelle für das Ensemble Learning
Machine Learning zur Analyse von Stimmungslagen nutzen
Einbetten eines Machine-Learning-Modells in eine Webanwendung
Vorhersage stetiger Zielvariablen durch Regressionsanalyse
Verwendung nicht gekennzeichneter Daten: Clusteranalyse
Implementierung eines künstlichen neuronalen Netzes
Parallelisierung des Trainings neuronaler Netze mit TensorFlow
Die Funktionsweise von TensorFlow im Detail
Bildklassifizierung mit tiefen konvolutionalen neuronalen Netzen
Modellierung sequenzieller Daten durch rekurrente neuronale Netze
Wszystkie informacje bez gwarancji. Za poprawność informacji odpowiadają wyłącznie organizatorzy.
Po raz pierwszy opublikowano dnia 17.10.2024, Ostatnia aktualizacja 16.10.2024