Künstliche Intelligenz (KI) Kurs/Weiterbildung kostenlos mit Bildungsgutschein

Der fortgeschrittene Teil behandelt Sprachsyntax, Iteratoren, Generatoren, objektorientierte Programmierprinzipien, Algorithmen und Datenstrukturen.

Digitale Informationsverarbeitung mit Python und der NumPy-Bibliothek. Konzepte der Datenwissenschaft, einschließlich Vektorisierung und Übertragung von Code, sowie NumPy-Array-Methoden und -Operationen.

Pandas-Bibliothek bei der Arbeit mit tabellarischen Daten. Erstellen, Schreiben, Lesen und Indizieren von Pandas DataFrame. Methoden von Datenrahmen, wie man sie für die Analyse und Visualisierung von Tabellendaten verwendet.

Behandelt die Grundlagen, die für den Einsatz von Modellen des maschinellen Lernens erforderlich sind, z. B. den Umgang mit fehlenden Werten, Validierung, Vergleich, Auswahl der richtigen Daten für die richtigen Aufgaben. Und die grundlegendsten Modelle, wie k-NN.

Dieser Teil behandelt grundlegende Modelle des maschinellen Lernens wie Entscheidungsbäume, Zufallswälder, Support-Vektor-Maschinen und andere einfache Modelle des maschinellen Lernens. Er hilft den Studierenden zu verstehen, wie maschinelles Lernen funktioniert, und bereitet sie auf fortgeschrittenere Themen wie neuronale Netze vor.

Algorithmen des maschinellen Lernens. Datenexploration, Modellvalidierung, Umgang mit fehlenden Werten und andere Aspekte des maschinellen Lernens. Grundlagen des tiefen Lernens. Arten von neuronalen Netzen, Aktivierungsfunktionen, Verlustfunktionen und Optimierer. Aktuelle Anwendungen von Deep Learning auf dem Gebiet der künstlichen Intelligenz.

Strukturierte Daten, die in der Wirtschaft extrem wichtig sind, aber in vielen Deep-Learning-Kursen oft übersehen werden. Fertigstellung eines Portfolio
Projekt zur Klassifizierung einer binären Variable.

Die Schülerinnen und Schüler lernen, wie man mit neuronalen Faltungsnetzen arbeitet, wie Bilder entstehen, wie sie in numerische Daten umgewandelt werden und welche anderen Umwandlungen (z. B. von RGB in Graustufen) erforderlich sind, damit die Faltungsnetze die Informationen richtig verstehen und verarbeiten können.

Computer Vision, Faltungsneuronale Netze. Der Schwerpunkt dieses Abschnitts liegt auf Portfolioprojekten: Sie werden Bildklassifikatoren mit unterschiedlichen Architekturen, Formaten und Klassenanzahlen erstellen. Bei der Arbeit an Projekten lernen Sie fortgeschrittene Architekturen kennen und üben die neuesten Trainingsmethoden.

Computer Vision und Erstellung eines Modells für die umgekehrte Bildersuche, das ähnliche Elemente wie die vom Nutzer angegebenen finden kann. Dieses Projekt wird zum Verständnis der grundlegenden Bedeutung von Einbettungen in Deep-Learning-Modellen beitragen und auf die Abschnitte über die Verarbeitung natürlicher Sprache und Empfehlungssysteme vorbereiten.

Börsenbewegungen mit Hilfe rekurrenter neuronaler Netze. Unterschied zwischen rekurrenten neuronalen Netzen, Netzen mit Kurzzeitgedächtnis und persistenten rekurrenten Blöcken.

Erfahren Sie, wie neuronale Netze Repräsentationen natürlicher Sprache lernen. Obwohl die Verarbeitung natürlicher Sprache (NLP) ein völlig neuer Bereich ist, werden Sie bekannte rekurrente neuronale Netze nutzen, um diese Herausforderung zu bewältigen. Sie lernen wichtige NLP-Konzepte kennen und wenden sie an, indem Sie zwei NLP-Portfolio-Projekte erstellen.

Aufbau von Empfehlungssystemen. Bei der Arbeit mit Empfehlungssystemen lernen Sie etwas über Einbettungen und kollaborative Filterung.

Sie lernen generative Deep-Learning-Modelle kennen und erstellen ein neuronales Faltungsnetzwerk, das in der Lage ist, Bilder zu erzeugen, die gemeinhin als Deep Dreams bezeichnet werden.

Fortgeschrittene Computer Vision Themen: Objekterkennung und Segmentierung. Sie werden lernen, wie man modernste Bildverarbeitungsalgorithmen erstellt und anwendet.

Während des letzten Teils des Kurses werden Sie an Ihrem Abschlussprojekt arbeiten. Sie werden die Möglichkeit haben, alles, was Sie während des Kurses gelernt haben, bei der Erstellung Ihres eigenen KI-Projekts anzuwenden. Während Sie an dem Projekt arbeiten, werden wir Ihr Github-Portfolio und Ihr LinkedIN-Profil überprüfen und Probeinterviews durchführen, um Sie auf Rollen als Deep Learning/Machine Learning/Ingenieur für künstliche Intelligenz vorzubereiten.

Lebenslauf, LinkedIn, Workshops zum Vorstellungsgespräch, individuelle Aktivitäten und Honorare, IT-Fachkompetenzen.

Informationssuche mit KI, Antworten generieren mit KI