800,00 €Gesamt inkl. Ust
Programm
Dozent
Priv-Doz. Mag. Dr. Andreas Krassnigg, Universität Graz
- Ganzjähriger Einstieg möglich!
- Dieser Kurs reicht für 4 Monate Bildungskarenz aus!
- 100% Online-Weiterbildung ohne Präsenztage!
- Zeitlich und örtlich vollkommen flexibel lernen!
- Modernes Lernen: eCampus mit digitalisierten Unterlagen!
Kursinhalte – worüber ich mir fachliches Wissen angeeignet habe:
- Machine Learning und Daten: Begriffe und Konzepte
- Definition von Machine Learning und Abgrenzung zu verwandten Bereichen
- Eine kurze Geschichte des Machine Learning
- Was wir durch Machine Learning lernen können
- Daten als Fundament des Machine Learning
- Arten von Daten
- Datenqualität und ihre Auswirkungen
- Datenbereitstellung: Online-Learning und Batch-Learning
- Big Data: Eine Übersicht
- Hauptansätze für Machine Learning
- Einführung in Supervised Learning (Überwachtes Lernen)
- Prinzipien und Funktionsweise des Supervised Learning
- Regression: Vorhersage numerischer Werte
- Klassifikation: Zuordnung zu Kategorien
- Einführung in Unsupervised Learning (Unüberwachtes Lernen)
- Grundkonzepte und Anwendungen des Unsupervised Learning
- Anomaly Detection: Finden von Ausreißern
- Clustering: Entdecken von Mustern in Daten
- Dimensionsreduktion: Vereinfachung komplexer Datensätze
- Selbstorganisierende Karten
- Visualisierung komplexer Daten
- Ein halbes Wort zu Semi-Supervised Learning (Teilüberwachtes Lernen)
- Grundprinzip des Reinforcement Learning (Verstärkendes Lernen)
- Unterschiede des Reinforcement Learning zu anderen Ansätzen
- Typische Anwendungssituationen für Reinforcement Learning
- Typischer Machine Learning Workflow
- Problemdefinition
- Datenvorbereitung und -verarbeitung
- Datensammlung und -bereinigung
- Featureauswahl und -engineering
- Datentransformation und -normalisierung
- Aufteilung in Trainings-, Validierungs- und Testdaten
- Modellauswahl und Training
- Hyperparameter-Tuning
- Erstellen von Vorhersagen
- Modellevaluierung und -optimierung
- Metriken zur Bewertung von Modellen
- Visualisierung von Trainingsfortschritt und Modellbewertung
- Kreuzvalidierung und robuste Evaluierungstechniken
- Feinabstimmung und Verbesserung von Modellen
- Deployment und Monitoring
- Integration von Modellen in bestehende Systeme
- Kontinuierliche Überwachung und Aktualisierung
- Verschiedene Arten von Machine Learning Modellen
- Erste und einfache Machine Learning Modelle
- Entscheidungsbäume und Random Forests
- K-Nearest Neighbors
- Support Vector Machines (SVMs)
- Künstliche Neuronale Netze und Deep Learning
- Architekturen künstlicher neuronaler Netze
- Fortgeschrittene und alternative Architekturen und Konzepte
- Schwierigkeiten und Grenzen des Machine Learning
- Technische Herausforderungen im Überblick
- Unzureichende Datenqualität oder -quantität
- Unausgewogenheit der Daten (Bias)
- Skalierbarkeit und Rechenaufwand
- Overfitting und Underfitting
- Interpretierbarkeit und Erklärbarkeit
- Inhärente Grenzen einfacher Modelle
- Black-Box-Problematik bei komplexen Modellen
- Prinzipielle Vorhersagegrenzen in komplexen Systemen
Kurs mit Zertifikat - Meine Vorteile
- 2-4 Monate Zugang zur Lernplattform mit allen Kursmaterialien (Download, ausdrucken möglich)
- Lernvideos, Powerpoint-Folien, Fachartikel
- Fallstudien aus der Praxis, Fragenkatalog zur Stoffreflexion (100 offene Fragen)
- MC-Quiz zur Kontrolle meines Lernfortschrittes
- Fragen online stellen (Forum, Chat, Skype, Email)
- Tippsheets zum Kursablauf, FAQs, Ansprechpersonen
- In jedem Kurs fachliches Diskussionsforum
- Interaktiv gemeinsam lernen, posten & diskutieren
- Betreuung: Fachliche, administrative und technische Fragen der Kursteilnehmer*innen ganzjährig betreut (Studienabteilung, Helpdesk)
Bildungskarenz: Jetzt meine Weiterbildung fördern lassen!
Die Bildungskarenz beziehungsweise das Weiterbildungsgeld des AMS eröffnet Arbeitnehmer*innen die Möglichkeit, sich bis zu 1 Jahr von der Arbeit freistellen zu lassen und dabei Bildungskarenzgeld zu beziehen – ohne dafür das Arbeitsverhältnis aufzulösen.
Unsere Infos zur Bildungskarenz finden Sie hier auf unserer Infoseite: www.mba-studium.at/bildungskarenz/
Ziele
Absolvent*innen sind in der Lage …
- die grundlegenden Begriffe und Konzepte des Machine Learning zu definieren.
- die verschiedenen Arten von Daten im Kontext des Machine Learning zu unterscheiden.
- die Hauptansätze des Machine Learning (überwachtes, unüberwachtes und verstärkendes Lernen) zu erklären.
- die Prinzipien von Regression und Klassifikation im überwachten Lernen zu beschreiben.
- die Grundkonzepte und einfache Beispiele des unüberwachten Lernens zu erläutern.
- den typischen Machine Learning Workflow von der Problemdefinition bis zum Deployment zu skizzieren.
- beispielhaft die Funktionsweise grundlegender Machine Learning Modelle zu beschreiben.
- verschiedene Architekturen künstlicher neuronaler Netze und deren Rolle im Deep Learning zu diskutieren.
- beispielhaft fortgeschrittene und alternative Architekturen und Konzepte von künstlichen neuronalen Netzen zu benennen.
- die technischen Herausforderungen und Grenzen des Machine Learning zu beurteilen.
Jetzt anmelden!
Online anmelden: https://mba-studium.at/online-anmelden/
Wir sind für Ihre Fragen da!
Für Auskünfte zu Weiterbildungen, Voraussetzungen und der Vormerkung stehen Ihnen unsere Studienberaterinnen gerne zur Verfügung!
E-Mail: studienberatung@amc.or.at
Telefonische Beratung: +43 676 898 77 80
Voraussetzungen
Sie möchten starten?
Unsere Aufnahmevoraussetzungen sind:
- ein Mindestalter von 21 Jahren und
- eine abgeschlossene Berufsausbildung (Lehre, Meister, Fachschule, IHK etc.) oder Matura oder Studium.
800,00 €Gesamt inkl. Ust
