Dieser Kurs bietet eine praktische Einführung in modernes maschinelles Lernen für Teilnehmer mit Python-Kenntnissen, aber ohne vorherige Erfahrung im maschinellen Lernen. Er deckt alle Werkzeuge, Techniken und Prozesse ab, die notwendig sind, um einfache Machine-Learning-Projekte erfolgreich durchzuführen und bietet eine solide Grundlage für den Einstieg in fortgeschrittenere Themen.

Während der Kurs einen Überblick über verschiedene Ansätze gibt, werden wir uns auf zwei Techniken zur Lösung von ML-Problemen konzentrieren, die sich nicht nur durch den Gewinn zahlreicher Wettbewerbe auf Websites wie Kaggle bewährt haben, sondern auch in unzähligen Industrieprojekten erfolgreich eingesetzt wurden: ensembles of decision trees and deep lear

Bevor eine ML-Technik auf ein Problem angewendet werden kann, ist es notwendig, die vorhandenen Daten zu analysieren, zu bereinigen, zu visualisieren und zu transformieren. Der erste Teil des Kurses befasst sich mit diesen weniger glamourösen, aber absolut wichtigen Aspekten von ML-Projekten. In der zweiten Hälfte werden wir Entscheidungsbäume und vortrainierte tiefe Netzwerke verwenden, um Lösungen mit State-of-the-Art-Leistung für verschiedene ML-Probleme zu entwickeln.

Was lernst Du am ersten Tag?

Wir beginnen mit einer ML Einführung. In diesem kurzen Abschnitt behandeln wir Fragen wie: Was ist ML? Welche Probleme können mit ML-Techniken gelöst werden, welche sind weniger geeignet? Wie sieht ein ML-Entwicklungsprojekt aus? Welche Best Practices sollten Sie anwenden?  

In vielen Fällen hängt der Erfolg praktischer Machine-Learning-Projekte mehr von der Qualität der Daten ab, die zur Steuerung der Algorithmen verwendet werden, als von den Details des ML-Algorithmus. In diesem Abschnitt behandeln wir die wichtigsten Tools zum Sammeln, Bereinigen, Analysieren und Aufbereiten von Daten in Python.

Was lernst Du am zweiten Tag?

Am zweiten Tag lernst Du Traditional Machine Learning. Während Deep Learning einen großen Schwerpunkt in der akademischen Forschung darstellt und für die meisten wahrnehmungsorientierten Probleme überlegene Ergebnisse liefert, sind traditionelle ML-Techniken immer noch brauchbare Lösungen für viele Probleme und werden häufig als Basislinien verwendet, gegen die aufwändigere Lösungen evaluiert werden.

Was lernst Du am dritten Tag?

In diesem Teil des Kurses werden wir uns mit Deep Learning befassen und insbesondere damit, wie vortrainierte DL-Modelle uns Lösungen auf dem neuesten Stand der Technik liefern können, selbst in Fällen, in denen wir nur über begrenzte Daten oder ein begrenztes Rechenbudget verfügen.

Es gibt viele Möglichkeiten für Fehler, wenn ML-Modelle vom Training in die Produktion überführt werden. Obwohl das Thema zu umfangreich ist, um es in diesem Kurs im Detail zu behandeln, geben wir zumindest einen Überblick über einige der wichtigsten Bedenken beim Überführen kleinerer Projekte in die Produktion.

ZERTIFIKAT

Selbstverständlich erhältst Du als Teilnehmer am Machine Learning Kurs für Python Programmierer ein Zertifikat. Voraussetzung dafür ist die komplette Teilnahme an allen Kurseinheiten und Programmier-Aufgaben und die erfolgreiche Programmierung eines kleinen Abschlussprojektes. Das allerdings wird Dir nach dieser intensiven Machine Learning Schulung mehr Freude als Stress bereiten.

Die Agenda ist aufgrund der zahlreichen Fachbegriffe in englischer Sprache verfasst. Beschreibungen sowie Kursmaterial erhalten Sie auf Deutsch. Den Kurs kannst Du wahlweise in deutscher oder englischer Sprache buchen.

Alle Seminarinhalte werden individuell an die Wünsche unserer Teilnehmer angepasst. Sie können je nach Wissensstand variieren und werden gemeinsam mit dem Seminarleiter an Tag 1 definiert. Bei diesem Machine Learning mit Python Seminar hast Du die Wahl aus folgenden Themen:

Deep Learning (PyTorch)

In this part of the course we will look at deep learning and in particular how pretrained DL models can provide us with state-of-the-art quality solutions even in cases where we have limited data or computational budget.

• What is deep Learning?
• Advantages and disadvantages
• Basics of deep learning
• Fully-connected networks
• multi-layer perceptrons
• Deep learning for image classification
• CNNs, pretrained models
• Introduction to natural language understanding
• using pertained transformers

Moving ML Project into Production

There are many possibilities for errors when moving ML models from training to production. While the topic is too large to treat in detail in this course, we give at least an overview of some of the most important concerns when moving small-scale projects to production.

• Saving and loading models
• Ensuring consistency between training and production
• Monitoring model performance and updating production models