Machine Learning Kurs mit Grundlagen | Enable.ai (original) (raw)
Machine Learning Kurs mit Python & scikit learn
Ein Maschinelles Lernen - Kurs über die Grundlagen. Mit scikit-learn und Python
In diesem zweitägigem Seminar werden
- supervised und unsupervised Machine Learning Algorithmen (überwachtes / unüberwachtes Lernen) mit dem Python Modul scikit-learn erläutert.
- Die wichtigsten Schritte beim Trainieren der Algorithmen werden behandelt.
- Folgende Algorithmen werden erklärt:
- Lineare & Logistische Regression,
- Entscheidungsbaum (für Regression und Klassifikation),
- Ensembles,
- Neuronales Netz (MLP),
- K-Nearest Neighbor,
- K-means,
- DBSCAN Clustering.
Grundkenntnisse in Python werden vorausgesetzt.
In diesem zweitägigem Seminar werden
- supervised und unsupervised Machine Learning Algorithmen (überwachtes / unüberwachtes Lernen) mit dem Python Modul scikit-learn erläutert.
- Die wichtigsten Schritte beim Trainieren der Algorithmen werden behandelt.
- Folgende Algorithmen werden erklärt:
- Lineare & Logistische Regression,
- Entscheidungsbaum (für Regression und Klassifikation),
- Ensembles,
- Neuronales Netz (MLP),
- K-Nearest Neighbor,
- K-means,
- DBSCAN Clustering.
Grundkenntnisse in Python werden vorausgesetzt.
(*) zzgl. MwSt (**) inkl. MwSt
| Termin (2 Tage) | Ort | Belegung | Preise | |
|---|---|---|---|---|
| Do 03.07 - Fr 04.07.25 | Live-Online Zoom Meeting |  |
1.290,00 € (*) 1.535,10 € (**) | BUCHEN |
| Do 25.09 - Fr 26.09.25 | Live-Online Zoom Meeting | |
1.290,00 € (*) 1.535,10 € (**) | BUCHEN |
| Do 20.11 - Fr 21.11.25 | Live-Online Zoom Meeting | |
1.290,00 € (*) 1.535,10 € (**) | BUCHEN |
Dauer: nach Absprache
Termin: nach Absprache
Angepasster Kurs zum Wunschtermin
Bei Ihnen vor Ort oder Online
Preis: nach Angebot
Sprachen: Deutsch oder Englisch
Kurs auf einen Blick
Über die Schulung
- Dauer: 2 Tage
- Gruppengröße: 3-10
- Level: Fortgeschritten mit Python-Erfahrung
- Anteil Coding: 60%
- Sprache: Python
- Bibliotheken: scikit-learn, statsmodels, pandas
- Skript: .pdf (Theorie, Aufgaben & Lösungen)
Ihr Trainer für den Kurs
Schulung auf einen Blick
- Einführung in Machine Learning
- Supervised vs. Unsupervised Machine Learning
- Umsetzung der Algorithmen in scikit-learn
- Interpretation der Ergebnisse
- Lineare Regression, logistische Regression
- Entscheidungsbaum, Ensemble-Methoden
- K-Nearest Neighbor, Einfaches Neuronales Netz
- K-Means Clustering und DBScan
- Hyperparametertuning, Kreuzvalidierung
Beschreibung der Machine Learning Schulung
Dieser zweitägige Machine Learning Kurs erklärt, wie Sie Machine Learning mit Python und der Bibliothek scikit-learn umsetzen können. Machine Learning (ML) ist eine wesentliche Algorithmen Klasse der Künstlichen Intelligenz. In der Schulung lernen Sie die zwei Bereiche von Machine Learning: supervised learning und unsupervised learning (überwachtes Lernen und unüberwachtes Lernen).
Im Kurs behandeln wir Supervised Learning, wobei diese Algorithmen auf (meist vom Menschen) gelabelte Daten trainiert werden, um gewisse “Aufgaben” zu erlernen. Bei gelabelten Daten gibt man dem Algorithmus die Zielvariable mit, die dieser erlernen soll. Beispiele hierfür sind die Klassifikation, welchen Fehler ein Bauteil aufweist oder die Vorhersage, wie viel Umsatz ein Kunde voraussichtlich generiert.
Unsupervised Algorithmen dagegen benötigen keine gelabelte Daten, sondern versuchen in den vorhandenen Daten beispielsweise Gruppen oder Muster zu erkennen, z.B. zur Kundengruppierung (verschiedene Kunden können dann anders im Marketing behandelt werden). Unsupervised Learning liefert Hinweise, welche Muster in Daten vorhanden sein könnten – es werden jedoch keine vorgegebenen Muster (wie Bauteil defekt – nicht defekt) erlernt.
Die in diesem Maschinelles Lernen Python Kurs verwendete Programmiersprache Python ist sowohl im Machine Learning (als auch im Deep Learning) sehr verbreitet. Das Modul scikit-learn umfasst zahlreiche Algorithmen, die dem Teilnehmer das Machine Learning Lernen erleichtern.
Dieser zweitägige Machine Learning Kurs erklärt, wie Sie Machine Learning mit Python und der Bibliothek scikit-learn umsetzen können. Machine Learning (ML) ist eine wesentliche Algorithmen Klasse der Künstlichen Intelligenz. In der Schulung lernen Sie die zwei Bereiche von Machine Learning: supervised learning und unsupervised learning (überwachtes Lernen und unüberwachtes Lernen).
Im Kurs behandeln wir Supervised Learning, wobei diese Algorithmen auf (meist vom Menschen) gelabelte Daten trainiert werden, um gewisse “Aufgaben” zu erlernen. Bei gelabelten Daten gibt man dem Algorithmus die Zielvariable mit, die dieser erlernen soll. Beispiele hierfür sind die Klassifikation, welchen Fehler ein Bauteil aufweist oder die Vorhersage, wie viel Umsatz ein Kunde voraussichtlich generiert.
Unsupervised Algorithmen dagegen benötigen keine gelabelte Daten, sondern versuchen in den vorhandenen Daten beispielsweise Gruppen oder Muster zu erkennen, z.B. zur Kundengruppierung (verschiedene Kunden können dann anders im Marketing behandelt werden). Unsupervised Learning liefert Hinweise, welche Muster in Daten vorhanden sein könnten – es werden jedoch keine vorgegebenen Muster (wie Bauteil defekt – nicht defekt) erlernt.
Die in diesem Maschinelles Lernen Python Kurs verwendete Programmiersprache Python ist sowohl im Machine Learning (als auch im Deep Learning) sehr verbreitet. Das Modul scikit-learn umfasst zahlreiche Algorithmen, die dem Teilnehmer das Machine Learning Lernen erleichtern.
Was lernen Sie in der Machine Learning Schulung?
Damit Sie leicht die Algorithmen im Machine Learning lernen und programmieren können, benutzen wir hauptsächlich das Python Modul scikit-learn. Das Modul StatsModels wird auch für die logistische Regression verwendet, um einen Einblick in eine weitere bekannte Bibliothek für Machine Learning zu erhalten.
Der Fokus dieser Schulung liegt auf supervised Algorithmen. Hierbei werden mehrere Maschinelle Lernen Algorithmen theoretisch erläutert und praktisch in Python programmiert: Lineare Regression, logistische Regression, Entscheidungsbaum, Ensemble-Methoden (Random-Forest und AdaBoost), K-Nearest Neighbor und Neuronale Netze (Multi-Layer Perceptron, MLP).
Das Splitting der Daten in Trainings und Test Daten und Cross Validation (Kreuzvalidierung) werden erläutert (beides Konzepte zum Erkennen von Overfitting). Zudem lernen Sie die Hyperparametersuche und die wichtigsten Metriken zur Bestimmung der Algorithmusgüte.
Im unsupervised Learning wird das Clustering mit dem K-means Algorithmus und DBSCAN behandelt.
Nach diesem Machine Learning Seminar haben Sie die wichtigsten Aspekte von scikit-learn und die Machine Learning Grundlagen gelernt und können selbständig erste Aufgaben damit bearbeiten. Zudem haben Sie die Fähigkeit, Ihre Programmierkenntnisse in Python selbständig zu erweitern, um weitere Algorithmen aus scikit-learn umzusetzen.
Damit Sie leicht die Algorithmen im Machine Learning lernen und programmieren können, benutzen wir hauptsächlich das Python Modul scikit-learn. Das Modul StatsModels wird auch für die logistische Regression verwendet, um einen Einblick in eine weitere bekannte Bibliothek für Machine Learning zu erhalten.
Der Fokus dieser Schulung liegt auf supervised Algorithmen. Hierbei werden mehrere Maschinelle Lernen Algorithmen theoretisch erläutert und praktisch in Python programmiert: Lineare Regression, logistische Regression, Entscheidungsbaum, Ensemble-Methoden (Random-Forest und AdaBoost), K-Nearest Neighbor und Neuronale Netze (Multi-Layer Perceptron, MLP).
Das Splitting der Daten in Trainings und Test Daten und Cross Validation (Kreuzvalidierung) werden erläutert (beides Konzepte zum Erkennen von Overfitting). Zudem lernen Sie die Hyperparametersuche und die wichtigsten Metriken zur Bestimmung der Algorithmusgüte.
Im unsupervised Learning wird das Clustering mit dem K-means Algorithmus und DBSCAN behandelt.
Nach diesem Machine Learning Seminar haben Sie die wichtigsten Aspekte von scikit-learn und die Machine Learning Grundlagen gelernt und können selbständig erste Aufgaben damit bearbeiten. Zudem haben Sie die Fähigkeit, Ihre Programmierkenntnisse in Python selbständig zu erweitern, um weitere Algorithmen aus scikit-learn umzusetzen.
Ich habe an einem einwöchigen Kurs über Deep Learning teilgenommen. Die Kursmaterialien sind sehr gut und vollständig ausgearbeitet. Außerdem haben das Skript und auch der Kurs insgesamt eine sehr gute Struktur. Der Tutor ist sehr engagiert …
Super Seminar ! (...) Die Inhalte waren sehr gut gegliedert und wurden absolut verständlich vermittelt. Insgesamt hat die Kombination aus theoretischen Inhalten und praktischen Übungen ein ganzheitliches Verständnis ermöglicht ...
Sehr gutes Verhältnis aus Information und Zeit, sehr gute persönliche Ansprache, sehr angenehmer Vortrag ohne viel Bla-Bla. Insgesamt absolut zufrieden.
Sehr hilfreicher Kurs um die praktischen basics von Künstlicher Intelligenz und neuronalen Netzwerken zu lernen. Theorie und Praxis in schneller Abwechslung um die gelernten Konzepte umzusetzen und zu üben ...
Ein toller Kurs, durchgeführt mit geballter Expertise und einer Engelsgeduld bei der Beantwortung von Fragen und Behebung von Problemen. Ich habe in diesen drei Tagen enorm viel gelernt, ...
Kursinhalte
Organisatorisches
FAQ
Begrüßung und Organisatorisches
- Vorstellungsrunde
- Erwartungen der Teilnehmer
09:15 – 10:45
Grundlegendes über Maschinelles Lernen
- Einführung in Maschinelles Lernen
- Definition Supervised – Unsupervised Learning (überwachtes – unüberwachtes Lernen)
- Overfitting, Datasplitting (Training vs. Testdaten)
11:00 – 12:30
Lineare Regression
- Erläuterung des Algorithmus
- Datasplitting (Training und Test Daten)
- Umsetzung der linearen Regression in Python (scikit-learn)
- Ergebnissvalidierung
13:30 - 15:00
Logistische Regression (mit StatsModels)
- Erläuterung des Algorithmus (von linearer zur logistischen Regression)
- Datasplitting (Training und Test Daten)
- Umsetzung der Logistische Regression in Python
- Ergebniss- und Modellvalidierung (AIC, BIC, Konfusionsmatrix)
- Interpretation der Koeffizienten (odds-ratio)
- ROC Curve und AUC (area under the curve)
15:15 – 17:00
Entscheidungsbaum
- Erläuterung des Algorithmus
- Datasplitting (Training und Test Daten)
- Umsetzung des Entscheidungsbaums in Python (scikit-learn)
- Anpassen der Hyperparameter
- Ergebnissvalidierung (Konfusionsmatrix, accuracy)
- Entscheidungsbaum für die Regression
Rückblick und offene Fragen von Tag 1
09:15 – 10:45
Ensemble Methods
- Ein Ensemble aus verschiedenen Algorithmen in scikit-learn umsetzen
- Random Forest zur Klassifizierung und zur Regression
- Ada Boost zur Klassifizierung und zur Regression
- Hyperparameter anpassen
- Ergebnissvalidierung
11:00 – 12:30
Weitere wichtige Algorithmen
- K-Nearest Neighbor
- Einfaches neuronales Netz (Multi-Layer Perceptron, MLP)
- Umsetzung der Algorithmen in Python
- Ergebnissvalidierung
13:30 - 15:00
Hyperparameter Tuning und Kreuzvalidierung
- Automatisierte Hyperparametersuche in Algorithmen
- Kreuzvalidierung (Cross-Validation)
- Erklärung der beiden Konzepte und Umsetzung in scikit-learn
15:15 – 17:00
Algorithmen zum Clustering
- Grundlagen von K-means Clustering und DBScan
- Cluster-Ergebnisse interpretieren
- Vergleich von Cluster-Ergebnissen verschiedener Algorithmen
Zielgruppe vom Maschinelles Lernen kurs
Dieser Machine Learning Kurs mit Python richtet sich an data scientists, angehende Machine Learning engineers, Datenanalysten, Busines Intelligence Analysts, Data Analysts, o.ä. welche die Programmiersprache Python für Data Science / Data Mining vertiefen möchten. Vorhandene Programmierkenntnisse in Python werden in der Schulung erweitert, um Machine Learning mit scikit-learn eigenständig umsetzen zu können.
Voraussetzungen für den Python Machine Learning Kurs
Diese Machine Learning Schulung setzt Programmiererfahrung in Python voraus. Notwendig ist Vorerfahrung in der Arbeit mit Python und mit Daten. Die Inhalte des Kurses „Data Science mit Python“ geben einen Überblick, welche Vorerfahrung ein gutes Mitkommen im Seminar ermöglicht. Vor allem: pandas Data.Frames (fehlende Werte ergänzen, Daten einlesen), Bibliotheken installieren und laden, eigene Funktionen schreiben, Kenntnis verschiedener Datenstrukturen (list, dictionary, tuple).
Notwendig sind außerdem grundlegende Vorkenntnisse im Bereich der Statistik (Begriffsdefinitionen wie bspw. Mittelwert, Median, Standardabweichung, Normalverteilung), Kenntnisse grundlegender mathematischer Symbole und Begriffe (Summenzeichen, Integral, Funktion, Ableitung, Exponentialfunktion) und Kenntnis der booleschen Algebra mit den logischen Operatoren (UND, ODER, NICHT).
Die Machine Learning Schulung wird auf Deutsch gehalten. Englischkenntnisse (lediglich im Verstehen von englischen Texten) sind sehr empfehlenswert, da die Programmiersprache, Fachbegriffe und die Dokumentationen im Internet auf Englisch sind. Aus diesem Grund sind auch die erstellten Folien in der Schulung auf Englisch.
Didaktischer Aufbau im Machine Learning Seminar
Dieses Seminar ist sehr praxisorientiert. Die Teilnehmer arbeiten direkt und selbstständig mit der Programmiersprache Python in der Entwicklungsumgebung Spyder, so dass das Erlernte direkt geübt und vertieft werden kann. Der Trainer moderiert dabei verschiedene Aufgaben und begleitet die Teilnehmer durch die einzelnen Lehreinheiten.
Technik in der Machine Learning Schulung
- Die Teilnehmer benötigen für die Übungsaufgaben Laptops. Wir empfehlen, Ihren eigenen Laptop mit der vorab installierten Software mitzubringen. Eine genaue Installationsanleitung für die Software wird Ihnen vor dem Seminar per E-mail zugesandt. Auf Anfrage stellen wir auch Schulungslaptops zur Verfügung.
- Bitte prüfen Sie, ob Ihr Firmenlaptop Zugangsbeschränkungen im Internet hat. Die digitalen Unterlagen (Skript, Code, Dateien) werden im Seminar online zum Download zur Verfügung gestellt. Sie erhalten vor dem Seminar per E-Mail den Link zu einer Testdatei zum Download, um dies überprüfen zu können.
- Sie sollten sich in firmenfremde WLAN-Netze registrieren können.
- Als Backup Lösung ist es möglich, dass der USB Port bei Ihrem Laptop freigeschalten ist, um damit verwendete Dateien oder sonstige Unterlagen übertragen zu können.
- Im Seminar wird das Betriebssystem Windows verwendet. Der Umgang mit Ihrem verwendeten Betriebssystem und Laptop sollte bekannt sein. Insbesondere sollten Sie ohne Schwierigkeiten Sonderzeichen auf der Tastatur finden (insbesondere bei Apple Geräten werden auf manchen Tastaturen nicht immer runde, eckige bzw. geschweifte Klammern dargestellt).
Gibt es ein Buch, welches den Maschinelles Lernen Kurs ergänzt?
Für das Seminar ist folgendes Buch als Ergänzung hilfreich:
Sarah Guido: Introduction to Machine Learning with Python.
Grundsätzlich wird alles Wissen und Codebeispiele im Kurs so erklärt, dass es nicht nötig ist vor dem Kurs ein Buch zu lesen. Sie sollten lediglich darauf achten, dass Sie die Voraussetzungen (siehe Reiter Organisatorisches –> Voraussetzungen) erfüllen.
In welchen Städten wird der Machine Learning Kurs angeboten?
Wir bieten den Kurs in folgender Stadt an: Stuttgart, München, Frankfurt, Hamburg, Berlin. Falls Sie die Schulung gerne in einer anderen Stadt oder direkt bei Ihnen im Unternehmen besuchen möchten, kontaktieren Sie uns gerne.
Ich möchte gerne viel coden und hands-on Lernen. Ist das der richtige Kurs?
Definitiv. Sie werden sich im Kurs wohlfühlen. Die erste von vier Lektionen am ersten Tag schafft die Grundlagen und sie können den Editor gleich selbst ausprobieren. Ab der zweiten Lektion ist mindestens die Hälfte der Zeit zum selbstständigen Üben, so dass Sie das Besprochene direkt coden können und selbst erkennen, wo noch Fragen bestehen, die Sie mit dem Dozenten direkt besprechen können.
Welche Lernmethoden werden in der Data Science Schulung verwendet?
Im Seminar enthält jeder Block (meist über etwa 90 Minuten) eine oder mehrere Theorie- und Praxiseinheiten. Die Theorieeinheit dient dazu, Ihnen das nötige Wissen zu vermitteln, um die Übungsaufgaben zu verstehen und selbstständig lösen zu können. Wir verzichten auf langatmige, wissenschaftliche Theorieeinheiten und konzentrieren uns auf den theoretischen Stoff der zu einem besseren Verständnis beiträgt. Der Fokus liegt auf der Praxis, d.h. dem Codeschreiben und Lösen von kleinen Verständnisaufgaben zum Lernstoff. Fragen von Teilnehmern sind jederzeit möglich. Während der Praxiseinheit werden die Fragen individuell vom Dozenten beantwortet. Fragen von allgemeinem Interesse werden allen Teilnehmern erklärt. Die Folien, welche die Theorie und weitere Erklärungen vom Code enthalten erhalten Sie als pdf und in gedruckter Version. Codebeispiele und die Musterlösung der Übungsaufgaben liegen digital vor.
Wie sehen die Übungen für die Teilnehmer aus?
Die Übungen bestehen hauptsächlich aus Coding Aufgaben, d.h. Sie schreiben entweder kurze Codebeispiele oder Sie werden gefragt, Codelücken in einem bestehenden Code zu ergänzen. Letzteres schult auch das Codeverstehen. Die Aufgaben sind so gewählt, dass die wichtigen Aufgaben von allen Teilnehmern in der verfügbaren Zeit gelöst werden können. Wir haben Coding Aufgaben unterschiedlichen Schwierigkeitsgrades vorbereitet, so dass schnellere Teilnehmer oder Teilnehmer mit Vorwissen zusätzlich an weiteren Aufgaben üben können. Desweiteren gibt es für manche Kapitel kurze Kontrollfragen zum Theorieteil.
Machine Learning Kurs im Detail
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
- für KMU und Einzelpersonen
- Übernahme von bis zu 500 EUR der Kursgebühren
Stimmen bisheriger Teilnehmer
Mir hat die Schulung sehr gut gefallen, es war interessant zu sehen welche Möglichkeiten es mit Python so alles gibt und wie man es am Besten umsetzt. Ich hoffe Du kannst weiterhin viele Teilnehmer für dieses zukunftsträchtige Thema gewinnen. Alles Gute für Deine nächsten Schulungen.
Stefan KönigData Science in Python
Das Seminar ist gut strukturiert und ermöglicht auch Teilnehmern mit geringeren Vorkenntnissen einen guten Einstieg in die Materie. Übungsaufgaben zu den verschiedenen Einheiten ermöglichen es, das Erlernte zu festigen. Dabei bieten unterschiedliche Schwierigkeitsgrade der Übungen für alle Teilnehmer einen Mehrwert. (...) Jan erklärt gut verständlich, motiviert und sorgt für eine gute Stimmung in der Gruppe. Er hat für jeden Teilnehmer individuelle Tipps parat und macht Lust auf "mehr Python". (...)
Lea HartmannData Science in Python
Mir hat die Schulung sehr gut gefallen,Herr Köhler hat es geschafft die Inhalte der Veranstaltung verständlich zu vermitteln. Die praktischen Aufgaben sind sehr gut vorbereitet und unterstützen beim Verstehen des umfangreichen theoretischen Inhalts. es war interessant zu sehen welche Möglichkeiten es mit Python so alles gibt und wie man es am Besten umsetzt. Ich hoffe Du kannst weiterhin viele Teilnehmer für dieses zukunftsträchtige Thema gewinnen. Alles Gute für Deine nächsten Schulungen.
Bennet BrunkeMaschinelles Lernen ((Un-)Supervised)
Sehr gutes Seminar, Jan geht auf alle Fragestellungen ein und sucht weitergehende Antworten auch teilweise im Nachgang. Das Seminar ist sehr strukturiert, verständlich und nachvollziehbar. Der Einstieg in das Thema Python und Data Mining ist sehr gut gelungen.
Simon GoettlerData Science in Python
Weiterbildungen sind bis zu einem gewissen Grad ja immer Glückssache - die Agenda gibt allenfalls einen groben Überblick darüber, was einen erwartet. Das Seminar bei Jan Köhler war ausgezeichnet, eine hervorragende Mischung aus Theorie/Erklären und der praktischen Übung am Computer. Ich würde das Seminar bei der Bitkom Akademie nicht zuletzt auch wegen des Seminarleisters uneingeschränkt weiterempfehlen.
Andreas StreimData Science in Python
Es wurde auf alle Teilnehmer eingegangen. Alle Inhalte wurden gut vermittelt. Auch für Fragen, die nicht direkt zum Seminar gehörten war Zeit. Es hat Spaß gemacht und ich habe viel gelernt. Sobald es ein anschließendes Seminar gibt, bin ich dabei ...
Gerhard HeinzerlingData Science in Python
Das Seminar bot eine ausgewogene Mischung aus Theorie und Praxis. Durch die Übungsblöcke konnte man den Inhalt direkt ausprobieren und ein Gefühl für die Materie bekommen. Bei Fragen und Schwierigkeiten fand immer eine zeitnahe und ausführliche Unterstützung statt. Zudem ging der Seminarleiter kurzfristig auf die Anregungen und Wünsche der Teilnehmer ein. Insgesamt machte der Seminarleiter einen sehr kompetenten Eindruck und ich würde dieses Seminar ohne Einschränkungen weiter empfehlen.
Dr. André SteimersData Science in Python
Herr Köhler nimmt sich ausreichend Zeit für Fragen und Erläuterungen und kann diese aufgrund überzeugender Fachkompetenz sehr gut verständlich erklären. Die Inhalte der Veranstaltung waren gut gegliedert. Insgesamt mit einem guten Verhältnis aus Theorie und Praxis. Die organisatorischen Rahmenbedingungen waren sehr gut. Insgesamt würde ich Herr Köhler und die Veranstaltung mit 5/5 Sternen bewerten.
Bennet BrunkeData Science in Python
Eindrücke sind subjektiv und hängen von u. a. Vorkenntnissen sowie Erwartungen ab. Mir fiel es leicht, den Themen zu folgen, da sie m. M. n. didaktisch gut aufgebaut waren und klar präsentiert wurden. Die Kompetenz des Kursleiters war jederzeit spürbar. Auf Fragen (auch weiterführende) kamen hilfreiche Antworten. In diesem Kurs habe ich sowohl eine neue Sprache kennengelernt, als auch neue Methoden, die von dieser unterstützt werden.
Ali CavliData Science in Python
Das Seminar mit Jan Köhler hat mir sehr viel Spaß gemacht. Hr. Köhler vermittelt Inhalte klar und verständlich und geht immer auf die Fragen der Teilnehmer ein. Mir hat besonders der Mix aus Theorie und Praxis (in Form von Übungsaufgaben) gefallen. In den drei Seminartagen konnte ich sehr viel von ihm lernen. Die Lage und Ausstattung der Seminarräume waren ebenfalls sehr gut. Das Seminar bei Hr. Köhler würde ich wieder besuchen und kann es zu 100% empfehlen.
Tobias SchröderData Science in Python
Jan Köhler takes the time to respond to all questions and remarks from the participants and explains everything well understandable. The course offers a very good individual support during exercises due to the small learning groups.
Julia MildnerData Science in R
Das war ein super Workshop, bei dem man viel mitnehmen konnte. Sowohl von der Stoffvermittlung als auch von den Übungen war es super. Klar ist in der Kürze der Zeit recht kompakt, aber das Wissen was vermittelt wird, kann im Selbststudium weiter vertieft werden. Der Workshop bietet dazu die perfekte Grundlage. Es steht auch außer Frage, dass die Kompetenz und Know-How zur Vermittlung des Stoffes vorhanden sind.
Helmut E.Data Science in Python
Warum bei Enable AI buchen
Durchführungsgarantie
Online ab 2 Teilnehmer und in Präsenz ab 3 Teilnehmer führen wir ein Seminar durch, so dass Sie auch bei kleinerer Gruppengröße intensiv lernen können und Ihren Lernerfolg erzielen können.
Zufriedenheitsgarantie
Sollten Sie in einem mehrtägigen Seminar bis zum Ende des ersten Seminartags merken, dass dieses Seminar nicht Ihren Erwartungen entspricht, sprechen Sie bitte mit dem Kursleiter am ersten Seminartag und es wird Ihnen die volle Kursgebühr inkl. Anreise (30 cent / km bzw. Bahnfahrt 2. Klasse) erstattet. Ohne Wenn und Aber.
Wissensgarantie
Falls Ihr(e) MitarbeiterIn unerwarteterweise innerhalb eines halben Jahres nach dem Besuchen eines Kurses für mehr als 6 Monate (Krankheit, Elternzeit, Sabbatical,...) ihr Unternehmen verlässt, darf kostenlos ein Kollege innerhalb eines Jahres ab dem Verlassen des Kollegens ein stattfindendes Seminar mit demselben Inhalt besuchen.
Hands-on Schulungen
Die Kurse sind hands-on Trainings, mit vielen Coding Übungen (inkl. digitalen Musterlösungen). Denn durch praktische Beispiele lernt man am meisten.
Individuelle Schulungen
Wenn es im Interessen der Schulungsgruppe ist, ändert der Trainer das Seminar nach Ihren Wünschen ab bzw. integriert Ihre Daten nach Rücksprache in den Kurs.
Aktualisierte Schulungen
Sollten Sie eine Schulung zweimal besuchen, wird diese nicht identisch sein. Ihr Feedback wird berücksichtigt und die Schulungen werden an die aktuelle Themen in Forschung und Entwicklung angepasst.
Trainer aus der Praxis
Die Trainer, die in exklusiver Kooperation mit Enable AI zusammen arbeiten, kommen alle aus der Praxis und vermitteln praxisnahes, aktuelles Wissen auf leicht verständliche Art und Weise mit dem Ziel, dass Sie in Ihrer Arbeit das Wissen direkt anwenden können.
Kleine Gruppen
Garantierte maximale Gruppengröße von 10 Teilnehmern. Im Durchschnitt besuchen 3-6 Teilnehmer einen Kurs.
Fundiertes Wissen
Vor der Zusammenarbeit werden unsere Trainer geprüft. Alle besitzen fundierte Kenntnisse, u.a. durch Studium, Promotion und Berufserfahrung in den Bereichen Mathematik, Informatik, Statistik und Machine/Deep Learning.
Vom Hintergrund Statistiker und Wirtschaftsingenieur arbeitet er seit fast 10 Jahren mit den neuesten Technologien im Machine Learning, Deep Learning und Data Science.
In der Industrie hat er bei verschiedenen Projekten Machine Learning und Deep Learning in der Praxis umgesetzt und eigene Ideen in über 25 Patentanmeldungen eingebracht.
Er forscht im Bereich Deep Learning und hat wissenschaftliche Veröffentlichungen, u.a. in den Bereichen Medizinstatistik, Operations Research und Deep Learning. Seine fundierte Praxiserfahrung und die Mitarbeit in zahlreichen Data Mining Projekten ermöglicht seinen Schulungsteilnehmer auch für ihre Anwendungen aus seinen Kursen viel mitzunehmen.
Jan Köhler - Gründer von Enable AI
- Fragen zum Inhalt des Seminars?
- Sind Sie sich unsicher, ob der Kurs Sie weder über- noch unterfordert?
- Fragen, ob Sie das Wissen aus dem Kurs für Ihre tägliche Arbeit anwenden können?
- weitere generelle Fragen zur Schulung?
- einen Terminwunsch?
Rufen Sie uns an oder schreiben Sie uns eine Email
0711-96 88 15 53
info@enable-ai.de
Gerne können Sie auch direkt einen Termin mit uns vereinbaren oder eine Nachricht schreiben.
Machine Learning Kurs: Grundlagenwissen und Einblick in verschiedene Algorithmen
Sie möchten sich umfassend über die Möglichkeiten des Machine Learnings informieren und sich die damit verbundenen Vorzüge auf Dauer zunutze machen? Dann können Sie auf uns bauen. Wir bieten Ihnen mit unserem Machine Learning Kurs ein spannendes Online-Seminar, das Ihnen nicht nur Grundlagenwissen vermittelt, sondern auch in die verschiedenen Möglichkeiten von scikit-learn und Python einführt. Etwa 60 Prozent des Kurses entfallen auf den Bereich des eigenen Programmcode schreibens.
Überblick über die vertretenen Algorithmen
Unser Machine Learning Kurs berücksichtigt verschiedene Algorithmen, die im Detail und in ihren Besonderheiten erklärt werden. Vertreten sind hier unter anderem die Lineare und Logistische Regression, aber auch der Entscheidungsbaum und EnsembleMethoden. Des Weiteren spielen das Neuronale Netz, K-means und K-Nearest Neighbor eine wichtige Rolle. Wir zeigen Ihnen in dem Machine Learning Kurs, wie Sie die wichtigsten Schritte der Algorithmen trainieren und worauf Sie hier besonders achten müssen. Mit dem Kurs richten wir uns an Fachkräfte, die bereits über Python-Fachkenntnisse verfügen und die sich jetzt mit Blick auf die neue Technologie weiterbilden möchten.
Geballtes Wissen in zwei Tagen
Der von uns angebotene Machine Leaning Kurs füllt insgesamt zwei Tage. Sie können den Kurs ganz einfach als Online-Weiterbildung nutzen. Auch dann findet er zu festen Terminen statt. Die Online-Kurse sind als Zoom-Meeting gestaltet. Wir haben die Teilnehmerzahl hier bewusst begrenzt. Dies ist erforderlich, um Ihnen eine hohe Weiterbildungsqualität garantieren zu können. Wenn Sie als Unternehmer einen Machine Learning Kurs für Ihre Mitarbeiter suchen, besteht hier auch die Möglichkeit, Ihren Kurs als Inhouse-Schulung zu gestalten.
Inhouseschulung / Firmenschulung
Sie suchen einen Machine Learning Intensivkurs in der Programmiersprache Python als Firmen-Weiterbildung. Der Inhalt der Schulung kann individuell angepasst werden. In Abstimmung mit dem Dozenten können Sie Schwerpunkte der Firmen-Schulung setzen, Inhalte aus der offenen Schulung streichen und weitere Inhalte hinzufügen.
Vereinbaren Sie einen Termin für ein kostenloses Beratungsgespräch.
Die Firmen-Trainings des Machine Learning Kurses können Live-Online oder bei Ihnen vor Ort gehalten werden. Zudem können Sie auch in München, Stuttgart, Berlin, Hannover, Köln, Hamburg, Düsseldorf, Frankfurt, Dortmund, Münster, Essen, Bonn, Dresden, Leipzig, Bremen, Duisburg, Bochum, Wuppertal, Bielefeld, Mannheim, Freiburg, Brauschweig, Kiel oder Karlsruhe stattfinden.
Thematisch ähnliche
Schulungen
Auswahl ähnlicher Kurse wie der Python Machine Learning Kurs
Python Grundlagen Anfänger Kurs
Python - 3 Tage
Erlernen Sie Variablendeklaration, Vergleichs- und Zuweisungsoperatoren und Kontrollfunktionen (eigene Funktion schreiben, IF-Anweisung). Viele Hands-On Coding Übungen und vertiefende Beispiele führen Sie in diesem Grundkurs für Anfänger praktisch in die Programmierung mit Python ein.
Programmieren mit R für Anfänger
R - 2 Tage
Dieses Seminar vermittelt einen Einstieg in die Programmiersprache R mit RStudio und erklärt die Grundlagen von tidyverse. Für Teilnehmer ohne Programmiervorerfahrung. Behandelte Themen sind: Einführung in dplyr, Datenanpassung mit dplyr, eigene Funktion schreiben, Grafiken erstellen mit ggplot2 und die Datenanalyse.
Deep Learning Kurs Künstliche Intelligenz Schulung
Python - 3 Tage
In diesem Kurs lernen Sie die Grundlagen von Deep-Learning kennen (mit Beispielen aus der Bild-, Text- und Sequenzdatenbearbeitung). Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Vorkommende Neuronale-Netzwerk-Typen umfassen CNNs, RNNs und LSTMs.
Data Science Bootcamp Weiterbildung
Python - 5 Tage
Sie erlernen einen umfassenden Einstieg in die Programmiersprache Python mit Fokus auf Data Science und Machine Learning. Nach dem Seminar sind sie fähig einfache Datenanalysen in Ihrem Unternehmen durchzuführen und ihre erworbende Kenntnisse selbständig zu vertiefen. U.a. folgende Python Pakete werden erläutert: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.
1 Tag
Grundbegriffe aus den Bereichen Künstliche Intelligenz, Maschinelles Lernen und Deep Learning. Es werden Anwendungsfälle diskutiert und die Voraussetzungen, Möglichkeiten und Grenzen von KI erläutert. Zielgruppe der Schulung sind Führungskräfte, die KI Use-Cases im Unternehmen aufdecken und das Potential und den erforderlichen Aufwand realistisch einschätzen wollen.
Python - 3 Tage
Kompakter Einstieg in die Programmiersprache Python für Datenanalyse und Data Science. Erläuterung der Grundlagen von Python, dem pandas DataFrame, Plotten und Einführung in das Maschinelle Lernen. Erste Machine Learning Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, matplotlib, seaborn, scikit-learn.
R - 3 Tage
Die Data Science in R Schulung vermittelt einen kompakten Einstieg in die Programmiersprache R für Datenanalyse und Data Science / Data Mining. Sie lernen das beliebte Paket tidyverse zur Datenmanipulation, erstellen Grafiken mit ggplot2 und schreiben eigene Funktionen. Der Einstieg in Machine Learning und die Umsetzung von bekannten Algorithmen (u.a. Lineare Regression, Entscheidungsbaum, K-Means Clustering) ist ein weiterer Schwerpunkt.