Курс детально розглядає галузь машинного навчання. Спочатку ти ознайомишся з повним робочим процесом — від підготовки даних і розробки моделей до їхньої оцінки та інтерпретації. При цьому ти дізнаєшся про такі методи, як регресія, класифікація, нейронні мережі, генеративний штучний інтелект та обробка природної мови, а також про розгортання моделей. Далі описується підкріплювальне навчання — одна з трьох основних технік машинного навчання, в якій програмне забезпечення навчається досягати оптимальних результатів шляхом безпосередньої взаємодії зі своїм оточенням у формі проб і помилок.
-
Тип ступеня: Сертифікат "Машинне навчання
Сертифікат "Підкріплювальне навчання -
Підсумковий іспит: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Час занять: Повна зайнятістьЗ понеділка по п'ятницю з 8:30 до 15:35 (у святкові дні з 8:30 до 17:10)
-
Мова викладання: Німецька
-
Тривалість: 8 Тижні
Машинне навчання
Вступ до машинного навчання та робочого процесу ML (приблизно 3 дні)
Основи, сфери застосування та види машинного навчання
Систематизація сучасних методів штучного інтелекту та машинного навчання
Робочий процес машинного навчання з використанням scikit-learn
Дані для навчання, валідації та тестування
Недостатнє пристосування, надмірне пристосування та оцінка моделей
Перехресна валідація
Підготовка даних та інженерія ознак (приблизно 2 дні)
Якість даних та попередня обробка даних
Масштабування, нормалізація та кодування
Інженерія ознак та вибір ознак
Робота з відсутніми значеннями, випадаючими значеннями та незбалансованими наборами даних
Навчання з наглядом — регресія та класифікація (приблизно 5 днів)
Методи регресії та класифікації
Лінійні та регуляризовані моделі
Методи, засновані на відстані, ймовірності та деревах
Ансамблеві та бустінгові методи
Порівняння моделей та оптимізація гіперпараметрів
Показники оцінки та ймовірнісні прогнози
Важливість ознак та пояснювана штучна інтелігенція
Автономне навчання (приблизно 2 дні)
Зменшення розмірності та виокремлення ознак
Методи кластеризації та оцінка результатів кластеризації
Виявлення аномалій
Аналіз часових рядів та прогнози (приблизно 1 день)
Основи та аналіз даних часових рядів
Методи прогнозування та машинне навчання для часових рядів
Нейронні мережі та сучасний штучний інтелект (приблизно 2 дні)
Основи нейронних мереж та глибокого навчання
Машинне навчання для текстових даних та обробка природної мови
Базові моделі, великі мовні моделі та генеративний штучний інтелект
Розгортання моделей машинного навчання (приблизно 1 день)
Зберігання та надання навчених моделей
Розробка простих додатків машинного навчання
Інтерфейси та платформи для моделей машинного навчання
Робота над проектом (приблизно 4 дні)
Закріплення вивченого матеріалу
Презентація результатів проекту
Навчання з підкріпленням
Вступ до навчання з підкріпленням (приблизно 1 день)
Визначення та основні поняття
Відмінності від інших методів навчання
Сфери застосування та приклади
Марковські процеси прийняття рішень (МПР) (приблизно 2 дні)
Визначення та властивості ПДП
Функції цінності та політика
Рівняння Беллмана
Підхід динамічного програмування
Q-навчання (приблизно 2 дні)
Визначення та алгоритм
Розвідка проти експлуатації
Властивості збіжності та оптимізації
Застосування в іграх, робототехніці та інших сферах
Глибоке навчання з підкріпленням (близько 3 днів)
Глибоке Q-навчання
Глибокі детерміновані градієнти політики (DDPG)
Акторно-критичні методи
Методи градієнта політики
Поглиблені теми (приблизно 4 дні)
Навчання з підкріпленням на основі моделей
Багатоагентне навчання з підкріпленням
Зворотне навчання з підкріпленням
Метанавчання з підкріпленням
Практичне застосування (близько 3 днів)
Реалізація алгоритмів навчання з підкріпленням
Застосування до вибраних проблем та кейсів
Оцінка та налаштування алгоритмів
Підсумки та перспективи (приблизно 2 дні)
Короткий виклад найважливіших концепцій та результатів
Виклики та майбутні розробки в навчанні з підкріпленням
Робота над проектом (близько 3 днів)
Закріплення вивченого матеріалу
Презентація результатів проекту
Можливі зміни, зміст курсу регулярно оновлюється.
Після проходження курсу ти зможеш готувати дані для застосувань машинного навчання, обирати відповідні методи контрольованого та неконтрольованого навчання, а також навчати, оцінювати та оптимізувати моделі. Ви зможете інтерпретувати результати моделювання та реалізовувати базові додатки машинного навчання. Крім того, ви будете обізнані з сучасними розробками у сфері глибокого навчання та генеративної штучного інтелекту.
Ви також зрозумієте основні концепції навчання з підкріпленням і знатимете відмінності від інших методів навчання. Ви будете знайомі з марковськими процесами прийняття рішень, Q-навчанням та глибоким навчанням з підкріпленням і зможете застосовувати такі складні теми, як мультиагентне навчання та навчання з підкріпленням на основі моделей.
Випускники факультетів комп'ютерних наук, математики, електротехніки, а також особи, які мають освіту в галузі (бізнес) інженерії.
Машинне навчання застосовується в різних галузях для аналізу великих обсягів даних, виявлення закономірностей, оптимізації процесів та складання прогнозів. Відповідні знання знаходять застосування, зокрема, в ІТ, промисловості, логістиці, фінансах та маркетингу. Знання мови Python, а також навички розробки, оцінки та застосування моделей машинного навчання відкривають можливості для роботи в сферах, орієнтованих на дані та штучний інтелект.
Завдяки навчанню з підкріпленням ви також здобудете міжгалузеві знання, які часто використовуються в робототехніці та технологіях автоматизації, а також в автомобільній промисловості, наприклад, для функцій допомоги водієві або в розробці та оптимізації автономних транспортних систем.
Ваш змістовний сертифікат дає детальне уявлення про отриману кваліфікацію та покращує ваші кар'єрні перспективи.
Дидактична концепція
Ваші викладачі мають високу професійну та дидактичну кваліфікацію і навчатимуть вас від першого до останнього дня (без системи самонавчання).
Ви будете навчатися в ефективних малих групах. Курси зазвичай складаються з 6-25 учасників. Загальні заняття доповнюються численними практичними вправами з усіх модулів курсу. Практичний етап є важливою частиною курсу, оскільки саме в цей час ви опрацьовуєте вивчене, набуваєте впевненості та рутинності в його застосуванні. Заключний розділ курсу передбачає виконання проекту, кейс-стаді або підсумковий іспит.
Віртуальний клас alfaview®
BildungszentrumЗаняття проходять з використанням сучасної відеотехнології alfaview® - або з комфорту вашого власного будинку, або в нашому приміщенні за адресою . Весь курс може бачити один одного віч-на-віч через alfaview®, спілкуватися один з одним в якості голосу, синхронізованого по губах, і працювати над спільними проектами. Звичайно, ви також можете бачитись і спілкуватись зі своїми тренерами наживо в будь-який час, і протягом усього курсу викладачі навчатимуть вас у режимі реального часу. Уроки не є електронним навчанням, а справжнім живим викладанням віч-на-віч за допомогою відеотехнологій.
alfatraining Agentur für Arbeit Навчальні курси субсидуються та сертифікуються відповідно до положення про затвердження AZAV. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinЯкщо ви подаєте заявку на або , всі витрати на курс, як правило, покриває організація, яка його фінансує.
Europäischen Sozialfonds Deutsche Rentenversicherung Фінансування також можливе через (ESF), (DRV) або регіональні програми фінансування. Berufsförderungsdienst Як військовослужбовець строкової служби, ви можете відвідувати курси підвищення кваліфікації через (BFD). Agentur für Arbeit (Qualifizierungschancengesetz) Компанії також можуть підвищити кваліфікацію своїх працівників за допомогою програми фінансування від .