Курс детально розглядає галузь машинного навчання — тут штучні знання генеруються на основі досвіду. Спочатку ти ознайомишся з повним робочим процесом машинного навчання — від підготовки даних і розробки моделей до оцінки та інтерпретації. Далі курс пояснює методи глибокого навчання на основі нейронних мереж. Глибоке навчання, як складова машинного навчання, використовує алгоритми для інтелектуальних процесів навчання. На завершення 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 «Методи машинного навчання: машинне навчання, глибоке навчання та навчання з підкріпленням»
-
Додаткові кваліфікації: Сертифікат "Машинне навчання
Сертифікат "Глибинне 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: 12 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
Глибоке навчання
Вступ до глибокого навчання (приблизно 1 день)
Глибинне навчання як різновид машинного навчання
Основи нейронних мереж (близько 4 днів)
Багатошарові персептрони
Розрахунок нейронних мереж
Оптимізація параметрів моделі, регресія
Бібліотеки глибокого навчання
Регресія проти класифікації
Типові функції втрат та активації
Оцінка прогнозу моделі за допомогою метрик
Метрики регресії та класифікації
Криві навчання, перенавчання та регуляризація
Гіперпараметрична оптимізація
L1/12 регуляризація
Відсіювання
Рання зупинка
Стохастичний градієнтний спуск (SGD)
Momentum, Adam Optimiser
Оптимізація швидкості навчання
Динамічне регулювання швидкості навчання
Зменшення швидкості навчання на плато
Оптимізація швидкості навчання за допомогою TensorBoard
Контролюйте процес підгонки за допомогою зворотних дзвінків
Збереження та завантаження моделей
Згорткова нейронна мережа (CNN) (приблизно 2 дні)
Класифікація зображень
Згорткові шари, об'єднання шарів
Переформування шарів, згладжування, глобальне середнє об'єднання
Архітектури CNN ImageNet-Competition
Глибокі нейронні мережі, зникаючі градієнти, пропуск зв'язків, пакетна нормалізація
Трансферне навчання (приблизно 1 день)
Адаптація та комбінування моделей
Попереднє навчання без нагляду
Доповнення даних зображень, зрозумілий ШІ
Завантажувач даних
Регіональний CNN (приблизно 1 день)
Локалізація об'єктів
Семантична сегментація
Регресійні задачі
Розгалужені нейронні мережі
Архітектура YOLO
U-Net моделі
Методи створення креативного іміджу (близько 1 дня)
Генеративні мережі суперництва (GAN)
Deepfakes
Дифузійні моделі
Надвисока роздільна здатність
Доповнення областей зображення
Нанесення базових моделей від Hugging Face
Мультимодальні моделі
LoRA-Fine-Tuning
Області застосування генеративних моделей
Юридичні обмеження
Рекурентні нейронні мережі (приблизно 2 дні)
Аналіз послідовностей
Рекурентні шари
Поширення в часі (BPTT)
Аналіз часових рядів
Проблеми градієнта, що вибухає та зникає
LSTM (Довга короткочасна пам'ять)
GRU (Gated Recurrent Unit)
Глибокий RNN
Deep LSTM
Обробка тексту за допомогою нейронних мереж (близько 2 днів)
Попередня обробка тексту
Вбудовування шарів
Класифікація тексту
Аналіз настрою
Обробка природної мови (NLP)
Переклади
Генерація тексту
Метод "від послідовності до послідовності", архітектура кодер-декодер
Моделі тільки кодера та тільки декодера
Локальне застосування великих мовних моделей
Мовні моделі (приблизно 1 день)
Архітектура трансфомерів
Увага та багатоголова увага
Позиційні кодування
Тонке налаштування великих мовних моделей
Підказки
Конвеєри генерації тексту
Підсумовування
Чат-боти
Пошукове доповнене покоління
Агенти штучного інтелекту
Навчання з глибоким підкріпленням (приблизно 1 день)
Управління динамічними системами
Агентні системи
Навчання через винагороду
Градієнти політики
Глибоке Q-навчання
Байєсівські нейронні мережі (приблизно 1 день)
Невизначеності в нейронних мережах
Статистична оцінка прогнозів
Достовірність, середньоквадратичне відхилення
Незбалансовані дані
Методи вибірки
Робота над проектом (близько 3 днів)
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 закінчення курсу ви матимете актуальні знання на теми машинного навчання та глибокого навчання. Ви будете знати найважливіші причини використання машинного навчання, сфери застосування та різні категорії та концепції машинного навчання. Ви також будете розуміти сфери застосування глибинного навчання і те, як працюють нейронні мережі. Ви зможете забезпечити машинне навчання та документувати процеси.
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.
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 .