Spare bis zu CHF 800 bei einer Buchung über eduwo. Nur noch für kurze Zeit

Sprache auswählen

Vergleiche

Icons/Ico-Search-WhiteCreated with Sketch.

Leider haben wir keine Resultate gefunden

Tipps für deine Suche

  • Prüfe ob du alle Wörter richtig geschrieben hast
  • Versuche einen anderen Suchbegriff
  • Versuche einen allgemeineren Suchbegriff und grenze die Resultate danach mit Filtern ein.

zum Vergleich hinzugefügt

Hintergrundbild der SIT Academy SIT Academy

WhatsApp

Messenger

LinkedIn

Facebook

Twitter

E-Mail

Angewandtes Maschinelles Lernen

SIT Academy

Überblick

Logo der SIT Academy SIT Academy

Dieses Profil ist aktuell

Die Angaben wurden kürzlich geprüft

6 Wochen

Dauer

CHF 1'800.-

Kosten

Englisch

Sprache

Anmeldeschluss

Online

Regelmässig alle 3 Monate

Beginn des Studiengangs

Höhere Berufsbildung

Schultyp

Über das Angebot

Sammle tiefgreifende, praktische Erfahrung im Lösen von Machine Learning-Anwendungsfällen. Innerhalb von 6 Wochen entwickelst du dich vom Anfänger- zum Fortgeschrittenen-Level. Du wirst lernen eigene Projekte und deren Anforderungen zu definieren. Dabei liegt besonderer Fokus auf dem Testen und Sicherstellen der Qualität solcher Algorithmen.

Programm Überblick

  • Maschinelles Lernen ist einer der grundlegenden Bausteine der Data Science. Seine Methoden werden aktiv in verschiedenen Branchen eingesetzt. Das Ziel dieses Kurses ist es, dir beizubringen, wie du Machine Learning erfolgreich auf reale Geschäftsprobleme anwenden und dabei häufige Fallstricke vermeiden kannst. Am Ende des Kurses wirst du in der Lage sein:● Eine Problemstellung in ein Machine Learning-Problem umzuwandeln.
  • Anforderungen für ein Machine Learning-Projekt (einschliesslich wichtiger Kennzahlen) mithilfe eines ML Canvas zu definieren.
  • Verschiedene Arten von Machine Learning-Pipelines (überwacht und unüberwacht) zu erstellen, einschliesslich Datentransformation, Feature Engineering, dem Aufbau einer Datenpipeline, Hyper-Parameter-Tuning, Verlustfunktionen und Kreuzvalidierungen für verschiedene Regressions- und Klassifikationsaufgaben.
  • Verzerrungen und Unfairness von Machine Learning-Problemen zu identifizieren, sowie mittels geeigneter Methoden komplexe Machine Learning-Modelle erklären und interpretieren zu können.
  • Reale Machine Learning-Anwendungsfälle zu entwickeln und zu lösen, z.B. Predictive Maintenance, Churn Prediction, Kundensegmentierung.

Tools, die wir unterrichten

  • Python
  • Jupyter notebooks
  • Pandas
  • Matplotlib
  • Seaborn
  • Scikit-Learn
  • Auto-ML (TPOT, PyCaret, MLJAR)
  • Evidently
  • Flask
  • AWS