Machine Learning mit Statistik

Name: Machine Learning mit Statistik
Availability: InStock

Kostenlos für Dich

durch Förderung

Die empirische Arbeit in Forschung und Qualitätssicherung ermöglicht es, Zusammenhänge zu erkennen, Beobachtungen zu verifizieren und Messdaten richtig einzuordnen. Bei Machine Learning wird künstliches Wissen aus Erfahrung generiert – es ist ein Teilbereich der Künstlichen Intelligenz (KI).

Abschlussart: Zertifikat „Machine Learning“
Zusatzqualifikationen: Zertifikat „Statistik“
Abschlussprüfung: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
Unterrichtszeiten: Vollzeit
Dauer: 8 Wochen

Lehrgangsinhalte

Statistik

Statistische Grundlagen (ca. 6 Tage)

Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Stichprobenarten, Messung und Skalenniveaus)

Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwert, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme und Boxplots)

Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme und gruppierte Balkendiagramme)

Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilung, Normalverteilung, Mittelwerteverteilung, Signifikanztest, Nullhypothesentest nach Fisher, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalysen und Ermittlung des optimalen Stichprobenumfangs)

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI-Technologien im beruflichen Umfeld

Anwendungsmöglichkeiten und Praxis-Übungen

Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)

z- und t-Test für eine Stichprobe (Abweichung von einem vorgegebenen Wert)

t-Test für den Mittelwertsunterschied von zwei unabhängigen/verbundenen Stichproben

Prüfung der Wirksamkeit von Aktionen, Maßnahmen, Interventionen und anderen Veränderungen mit t-Tests (Pretest-Posttest-Designs mit zwei Gruppen)

Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonnet-Test, Signifikanztest für Korrelationen)

Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test)

Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen mit Assoziationsmaße)

Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 5 Tage)

Ein- und zweifaktorielle Varianzanalyse (einfache und balancierte ANOVA)

Mehrfaktorielle Varianzanalyse (Allgemeines lineares Modell)

Feste, zufällige, gekreuzte und geschachtelte Faktoren

Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)

Interaktionsanalyse (Analyse von Wechselwirkungseffekten)

Trennschärfe und Poweranalyse bei Varianzanalysen

Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)

Voll- und teilfaktorielle Versuchspläne

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Machine Learning

Einführung in Machine Learning (ca. 5 Tage)

Warum Machine Learning?

Anwendungsbeispiele

Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen

Beispiele für Datenbestände

Daten kennenlernen

Trainings-, Validierungs- und Testdaten

Daten sichten

Vorhersagen treffen

Überwachtes Lernen (ca. 5 Tage)

Klassifikation und Regression

Verallgemeinerung, Overfitting und Underfitting

Größe des Datensatzes

Algorithmen zum überwachten Lernen

Lineare Modelle

Bayes-Klassifikatoren

Entscheidungsbäume

Random Forest

Gradient Boosting

k-nächste-Nachbarn

Support Vector Machines

Conditional Random Field

Neuronale Netze und Deep Learning

Wahrscheinlichkeiten

Unüberwachtes Lernen (ca. 5 Tage)

Arten unüberwachten Lernens

Vorverarbeiten und Skalieren

Datentransformationen

Trainings- und Testdaten skalieren

Dimensionsreduktion

Feature Engineering

Manifold Learning

Hauptkomponentenzerlegung (PCA)

Nicht-negative-Matrix-Faktorisierung (NMF)

Manifold Learning mit t-SNE

Clusteranalyse

k-Means-Clustering

Agglomeratives Clustering

Hierarchische Clusteranalyse

DBSCAN

Clusteralgorithmen

Evaluierung und Verbesserung (ca. 2 Tage)

Modellauswahl und Modellevaluation

Abstimmung der Hyperparameter eines Schätzers

Kreuzvalidierung

Gittersuche

Evaluationsmetriken

Klassifikation

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.

Voraussetzungen

Programmiersprache Python wird vorausgesetzt.

Lehrgangsziel

Nach diesem Lehrgang verstehst du die Grundlagen der Statistik, kannst Daten aufbereiten, auswerten sowie statistische Datenanalysen und Ergebnisse mit Grafiken darstellen, erläutern und interpretieren.

Auch hast du relevante Kenntnisse im Thema Machine Learning. Du kennst die wichtigsten Gründe für die Verwendung des Machine Learning, Anwendungsgebiete sowie die verschiedenen Kategorien und Konzepte des Maschinellen Lernens. Mit Kenntnissen in der Evaluierung und der Verbesserung rundest du dein Wissen ab.

Zielgruppe

Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-) Ingenieurwissenschaften

Berufsaussichten

Machine Learning kommt in zahlreichen Anwendungsgebieten zum Einsatz: Die selbstständige Entwicklung geeigneter Spamfilter für das Internet, die Erstellung präziser Prognosen über Lagerbestände im Bereich Supply Chain Management oder die Entwicklung von Kaufprognosen für einzelne Kundschaft bzw. Kundensegmente im Marketing. Mitarbeiter:innen, die im Fachbereich Machine Learning qualifiziert sind, können branchenübergreifend eingesetzt werden und sind am Arbeitsmarkt entsprechend vielfach nachgefragt.

Dein aussagekräftiges Zertifikat gibt detaillierten Einblick in deine erworbenen Qualifikationen und verbessert deine beruflichen Chancen.

Unterrichtskonzept

Didaktisches Konzept

Deine Dozierenden sind sowohl fachlich als auch didaktisch hoch qualifiziert und werden dich vom ersten bis zum letzten Tag unterrichten (kein Selbstlernsystem).

Du lernst in effektiven Kleingruppen. Die Kurse bestehen in der Regel aus 6 bis 25 Teilnehmenden. Der allgemeine Unterricht wird in allen Kursmodulen durch zahlreiche praxisbezogene Übungen ergänzt. Die Übungsphase ist ein wichtiger Bestandteil des Unterrichts, denn in dieser Zeit verarbeitest du das neu Erlernte und erlangst Sicherheit und Routine in der Anwendung. Im letzten Abschnitt des Lehrgangs findet eine Projektarbeit, eine Fallstudie oder eine Abschlussprüfung statt.

Virtueller Klassenraum alfaview®

Der Unterricht findet über die moderne Videotechnik alfaview® statt - entweder bequem von zu Hause oder bei uns im Bildungszentrum. Über alfaview® kann sich der gesamte Kurs face-to-face sehen, in lippensynchroner Sprachqualität miteinander kommunizieren und an gemeinsamen Projekten arbeiten. Du kannst selbstverständlich auch deine zugeschalteten Trainer:innen jederzeit live sehen, mit diesen sprechen und du wirst während der gesamten Kursdauer von deinen Dozierenden in Echtzeit unterrichtet. Der Unterricht ist kein E-Learning, sondern echter Live-Präsenzunterricht über Videotechnik.

Fördermöglichkeiten

Die Lehrgänge bei alfatraining werden von der Agentur für Arbeit gefördert und sind nach der Zulassungsverordnung AZAV zertifiziert. Bei der Einreichung eines Bildungsgutscheines oder eines Aktivierungs- und Vermittlungsgutscheines werden in der Regel die gesamten Lehrgangskosten von deiner Förderstelle übernommen.
Eine Förderung ist auch über den Europäischen Sozialfonds (ESF), die Deutsche Rentenversicherung (DRV) oder über regionale Förderprogramme möglich. Als Zeitsoldat:in besteht die Möglichkeit, Weiterbildungen über den Berufsförderungsdienst (BFD) zu besuchen. Auch Firmen können ihre Mitarbeiter:innen über eine Förderung der Agentur für Arbeit (Qualifizierungschancengesetz) qualifizieren lassen.