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 25.04 -
Fr 26.04.24
Live-Online
Zoom Meeting
1.290,00  (*)
1.535,10  (**)
Mo 09.12 -
Di 10.12.24
Live-Online
Zoom Meeting
1.290,00  (*)
1.535,10  (**)
Inhouse-/Firmenschulung:
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

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.

Rezensionen auf Google
Ilias Seifie
Weiterlesen
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 …
Aylin Keskin
Weiterlesen
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 ...
Marvin
Weiterlesen
Sehr gutes Verhältnis aus Information und Zeit, sehr gute persönliche Ansprache, sehr angenehmer Vortrag ohne viel Bla-Bla. Insgesamt absolut zufrieden.
Martin Schlederer
Weiterlesen
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 ...
Alicia S.
Weiterlesen
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, ...
Voriger
Nächster
Kursinhalte

Organisatorisches

FAQ
Tag 1
Tag 2
09:00 – 09:15
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)
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Lineare Regression
  • Erläuterung des Algorithmus
  • Datasplitting (Training und Test Daten)
  • Umsetzung der linearen Regression in Python (scikit-learn)
  • Ergebnissvalidierung
12:30 – 13:30
Mittagspause
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)
15:00 – 15:15
Kaffeepause
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
09:00 – 09:15
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
10:45 – 11:00
Kaffeepause
11:00 – 12:30
Weitere wichtige Algorithmen
  • K-Nearest Neighbor
  • Einfaches neuronales Netz (Multi-Layer Perceptron, MLP)
  • Umsetzung der Algorithmen in Python
  • Ergebnissvalidierung
12:30 – 13:30
Mittagspause
13:30 - 15:00
Hyperparameter Tuning und Kreuzvalidierung
  • Automatisierte Hyperparametersuche in Algorithmen
  • Kreuzvalidierung (Cross-Validation)
  • Erklärung der beiden Konzepte und Umsetzung in scikit-learn
15:00 – 15:15
Kaffeepause
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
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Bildungsschecks
Bildungsscheck Nordrhein Westfalen
Bildungsprämie
Wir akzeptieren den Bildungsscheck NRW und die Bildungsprämie.
Warum bei Enable AI buchen
Leistungen im Kurs
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.

Ihr Trainer für den Kurs

Jan Köhler

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.

Haben Sie noch Fragen

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.

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
PyBasic – Python Grundlagen Anfänger Kurs

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.

RBasic – Programmieren mit R für Anfänger

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.

DLNNet – Deep Learning Kurs Künstliche Intelligenz Schulung

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.

DSBoot – Data Science Bootcamp Weiterbildung

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.

KIMger – KI fuer Manager Kurs

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.

DSPy – Data Science Kurs Python

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.

DSR – Data Science in R Schulung

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.

Risikofrei Buchen

Rücktritt bei Nichtgefallen

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.

Stornierung

Sie können eine Bestellung kostenlos bis 14 Tage vor Beginn der Schulung stornieren.

Bis 7 Tage vor Kursbegin fallen 50% Stornokosten zzgl. MwSt an.

Weniger als 7 Tage vor Kursbegin ist die gesamte Seminargebühr zzgl. MwSt zu zahlen.

Anfallende Stornokosten werden Ihnen bei Umbuchung auf einen anderen Termin oder auf ein anderes Seminar verrechnet.

Sie können einen Ersatzteilnehmer für Ihr gebuchtes Seminar zum gebuchten Termin benennen. In diesem Falle verändern wir Ihre Buchung kostenfrei und tragen den Ersatzteilnehmer ein.

Sie haben bei Stornierung zudem auch die Möglichkeit einen anderen Termin, an dem das Seminar bereits stattfindet (d.h. die Mindestteilnehmerzahl ist erreicht), oder ein anderes Seminar (das aufgrund der Buchungslage bereits stattfindet) kostenfrei bzw. nach Bezahlung des Differenzbetrages, teilzunehmen. Ist das gewählte Seminar preisgünstiger, erstatten wir Ihnen den Differenzbetrag nach Teilnahme am Seminar zurück. Diese Möglichkeit erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

Falls die Buchungslage es ermöglicht, können wir einen Ersatzteilnehmer aus der Warteliste benennen. In diesem Fall ist Ihre Stornierung kostenfrei. Dies ist jedoch nicht garantiert und erfolgt aus Kulanz ohne Anerkennung einer Rechtspflicht.

Schulungsort Live Online

Für unsere Live Online Schulungen verwenden wir die Software Zoom.

Durch die Möglichkeiten die Teilnehmer in Breakout Räumen aufzuteilen und auf die Bildschirme der einzelnen Teilnehmer zu schauen, ist es für uns möglich, Sie auch in einem Live Online Seminar individuell zu betreuen.

Etwa eine Wochen vor Beginn der Schulung erhalten Sie von uns den Zugangslink zu Zoom per Email zugesandt.

Schulungsraum in München

Die Seminarräume in München befinden sich 900m von der S-Bahn Haltestelle Donnersbergerbrücke. Von dort sind es 6 min bis zum Hauptbahnhof München.

Adresse Seminarraum München

Regus
Landsberger Straße 155
80687 München