Kursüberblick
Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind für viele Unternehmen zu einem unverzichtbaren Bestandteil ihres Instrumentariums geworden. Wenn sie effektiv eingesetzt werden, liefern diese Tools verwertbare Erkenntnisse, die wichtige Entscheidungen vorantreiben und es Unternehmen ermöglichen, spannende, neue und innovative Produkte und Dienstleistungen zu entwickeln. Dieser Kurs zeigt Ihnen, wie Sie verschiedene Ansätze und Algorithmen zur Lösung von Geschäftsproblemen mit Hilfe von KI und ML anwenden, einen methodischen Arbeitsablauf zur Entwicklung solider Lösungen befolgen, Open-Source- und Standard-Tools zur Entwicklung, zum Testen und zur Bereitstellung dieser Lösungen verwenden und sicherstellen, dass die Privatsphäre der Nutzer geschützt wird.
Zielgruppe
Die in diesem Kurs behandelten Fähigkeiten konvergieren in drei Bereichen - Softwareentwicklung, angewandte Mathematik und Statistik sowie Unternehmensanalyse. Zielstudenten für diesen Kurs können in einem oder zwei dieser Bereiche stark sein und möchten ihre Fähigkeiten in den anderen Bereichen abrunden, damit sie Systeme der künstlichen Intelligenz (KI), insbesondere Modelle des maschinellen Lernens, auf geschäftliche Probleme anwenden können.
Bei der Zielgruppe kann es sich also um einen Programmierer handeln, der zusätzliche Fähigkeiten zur Anwendung von Algorithmen des maschinellen Lernens auf geschäftliche Probleme erwerben möchte, oder um einen Datenanalysten, der bereits über gute Kenntnisse in der Anwendung von Mathematik und Statistik auf geschäftliche Probleme verfügt, aber technologische Fähigkeiten im Zusammenhang mit dem maschinellen Lernen erwerben möchte.
Ein typischer Student in diesem Kurs sollte mehrere Jahre Erfahrung mit Computertechnologie haben, einschließlich einer gewissen Begabung in der Computerprogrammierung. Dieser Kurs unterstützt die Teilnehmer auch bei der Vorbereitung auf die CertNexus®-Zertifizierung zum Certified Artificial Intelligence (AI) Practitioner (Exam AIP-110).
Voraussetzungen
Um Ihren Erfolg in diesem Kurs zu gewährleisten, sollten Sie zumindest ein grundlegendes Verständnis der KI-Konzepte haben, einschließlich, aber nicht beschränkt auf: maschinelles Lernen, überwachtes Lernen, unüberwachtes Lernen, künstliche neuronale Netze, Computer Vision und natürliche Sprachverarbeitung. Diese Kenntnisse können Sie durch die Teilnahme am CertNexus AIBIZ™ (Prüfung AIZ-110) Kurs erwerben.
Sie sollten außerdem Erfahrung im Umgang mit Datenbanken und einer höheren Programmiersprache wie Python, Java oder C/C++ haben.
Kursziele
In diesem Kurs setzen Sie KI-Techniken ein, um Geschäftsprobleme zu lösen. Sie werden:
- Spezifizieren Sie einen allgemeinen Ansatz zur Lösung eines bestimmten Geschäftsproblems, bei dem KI und ML zum Einsatz kommen.
- Sammeln und Verfeinern eines Datensatzes, um ihn für Training und Tests vorzubereiten.
- Trainieren und Abstimmen eines maschinellen Lernmodells.
- Fertigstellung eines Modells für maschinelles Lernen und Präsentation der Ergebnisse vor einem geeigneten Publikum.
- Erstellen Sie lineare Regressionsmodelle.
- Erstellen Sie Klassifizierungsmodelle.
- Erstellen von Clustermodellen.
- Erstellen von Entscheidungsbäumen und Zufallswäldern.
- Erstellen Sie Support-Vektor-Maschinen (SVMs).
- Aufbau künstlicher neuronaler Netze (ANNs).
- Förderung des Datenschutzes und ethischer Praktiken bei KI- und ML-Projekten
Kursinhalt
Lektion 1: Lösen von Geschäftsproblemen mit KI und ML
- Thema A: Identifizierung von KI- und ML-Lösungen für Geschäftsprobleme
- Thema C: Formulierung eines Problems des maschinellen Lernens
- Thema D: Geeignete Tools auswählen
Lektion 2: Sammeln und Verfeinern des Datensatzes
- Thema A: Sammeln des Datensatzes
- Thema B: Analysieren des Datensatzes zur Gewinnung von Erkenntnissen
- Thema C: Verwendung von Visualisierungen zur Analyse von Daten
- Thema D: Daten vorbereiten
Lektion 3: Einrichten und Trainieren eines Modells
- Thema A: Einrichten eines Modells für maschinelles Lernen
- Thema B: Das Modell trainieren
Lektion 4: Fertigstellung eines Modells
- Thema A: Umsetzung von Ergebnissen in geschäftliche Maßnahmen
- Thema B: Ein Modell in eine langfristige Unternehmenslösung einbinden
Lektion 5: Erstellung linearer Regressionsmodelle
- Thema A: Erstellen eines Regressionsmodells mit linearer Algebra
- Thema B: Erstellung eines regulierten Regressionsmodells mit Hilfe der linearen Algebra
- Thema C: Erstellung eines iterativen linearen Regressionsmodells
Lektion 6: Erstellung von Klassifizierungsmodellen
- Thema A: Trainieren binärer Klassifizierungsmodelle
- Thema B: Trainieren von Mehrklassen-Klassifikationsmodellen
- Thema C: Bewertung von Klassifizierungsmodellen
- Thema D: Klassifizierungsmodelle abstimmen
Lektion 7: Erstellen von Clustering-Modellen
- Thema A: Erstellen von k-Means-Clustermodellen
- Thema B: Hierarchische Clustering-Modelle erstellen
Lektion 8: Erstellen fortgeschrittener Modelle
- Thema A: Erstellen von Entscheidungsbaummodellen
- Thema B: Erstellen von Random Forest Modellen
Lektion 9: Bau von Support-Vektor-Maschinen
- Thema A: Erstellung von SVM-Modellen für die Klassifizierung
- Thema B: Erstellen von SVM-Modellen für die Regression
Lektion 10: Aufbau künstlicher neuronaler Netze
- Thema A: Aufbau von mehrschichtigen Perceptrons (MLP)
- Thema B: Aufbau Faltungsneuronaler Netze (CNN)
Lektion 11: Förderung des Datenschutzes und ethischer Praktiken
- Thema A: Schutz des Datenschutzes
- Thema B: Förderung ethischer Praktiken
- Thema C: Einführung von Datenschutz- und Ethikrichtlinien
Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.