Künstliche Intelligenz (KI) und maschinelles Lernen (ML) sind zu wesentlichen Bestandteilen vieler Organisationen geworden. Bei effektiver Nutzung liefern diese Tools nützliche Informationen, die wichtige Entscheidungen erleichtern und es Unternehmen ermöglichen, spannende, neue und innovative Produkte und Dienstleistungen zu entwickeln. Dieser Kurs zeigt Ihnen, wie Sie verschiedene Ansätze und Algorithmen anwenden, um Geschäftsprobleme durch KI und ML zu lösen, und dabei einem methodischen Arbeitsablauf folgen, um datengesteuerte Lösungen zu entwickeln.
Messen Sie Ihren Vorbereitungsgrad für die Implementierung von Lösungen der künstlichen Intelligenz!
Möchten Sie herausfinden, wie bereit Sie sind, Lösungen der künstlichen Intelligenz in Ihre Tätigkeit zu integrieren? Machen Sie unsere Einschätzung und finden Sie heraus, wo genau Sie stehen. Dieser Test gibt Ihnen einen klaren Einblick in Ihre Fähigkeit, KI-Technologien effektiv einzuführen und umzusetzen.
Befolgen Sie die nachstehenden Schritte, um auf die CHOICE-Plattform zuzugreifen und den Test zu starten.
Zugangscode: AAK3TBXEEK
- Greifen Sie auf die Plattform zu WAHL: Sie werden zur Anmeldeseite weitergeleitet.
- Registrieren Sie sich als neuer Benutzer: Im Bereich „Neuer Benutzer“, geben Sie den Zugangscode ein und drücken Sie die Taste "EINSCHREIBEN".
- Füllen Sie das Anmeldeformular aus: Füllen Sie alle erforderlichen Felder aus. Wählen Sie einen Benutzernamen und ein Passwort (das Passwort muss mindestens 6 Zeichen lang sein und mindestens eine Zahl enthalten).
- Vollständige Registrierung: Nach dem Ausfüllen des Formulars werden Sie zur Hauptseite von CHOICE weitergeleitet.
- Einloggen: Auf der Hauptseite im Abschnitt „Wiederkehrender Benutzer“, geben Sie den von Ihnen erstellten Benutzernamen und das Passwort ein.
- Greifen Sie auf die Bewertung zu: Sie werden den Bildschirm sehen „Kursbildschirm“, wo der Titel des Tests erscheint, der dem Zugangscode zugeordnet ist.
- Starten Sie den Test: Klicken Sie auf der Titel des Tests um mit der Beurteilung zu beginnen.
- Greifen Sie auf die Plattform zu WAHL
- Einloggen: Im Bereich „Wiederkehrender Benutzer“, geben Sie Ihren Benutzernamen und Ihr Passwort ein.
- Einen neuen Kurs hinzufügen: Klicken Sie auf „Kurs hinzufügen“.
- Melden Sie sich für den Kurs an: Geben Sie im erscheinenden Fenster den Zugangscode ein und klicken Sie auf „Weiter“. "EINSCHREIBEN".
- Greifen Sie auf die Bewertung zu: Bildschirm „Kursbildschirm“ zeigt nun alle Ihre Kurse an
- Starten Sie den Test: Klicken Sie auf den gewählten Titel, um die Auswertung zu starten.
In diesem Kurs entwickeln Sie künstliche Intelligenzlösungen für Geschäftsprobleme. Du wirst:
- Lösen Sie ein spezifisches Geschäftsproblem mithilfe von KI und ML.
- Bereiten Sie Daten für die Verwendung beim maschinellen Lernen vor.
- Sie trainieren, bewerten und optimieren ein Modell für maschinelles Lernen.
- Erstellen Sie lineare Regressionsmodelle.
- Erstellen Sie Prognosemodelle.
- Erstellen Sie Klassifizierungsmodelle mithilfe der logistischen Regression und des k-nächsten Nachbarn.
- Erstellen Sie Clustering-Modelle.
- Erstellen Sie Klassifizierungs- und Regressionsmodelle mithilfe von Entscheidungsbäumen und Zufallsstrukturen.
- Erstellen Sie Klassifizierungs- und Regressionsmodelle mithilfe von Support Vector Machines (SVM).
- Bauen Sie künstliche neuronale Netze für Deep Learning auf.
- Setzen Sie Machine-Learning-Modelle mit automatisierten Prozessen in die Tat um.
- Pflegen Sie Pipelines und Modelle für maschinelles Lernen, während sie sich in der Produktion befinden.
Um an diesem Kurs teilnehmen zu können, müssen Sie mit den zugrunde liegenden Konzepten der Datenwissenschaft vertraut sein, darunter:
- Der gesamte Prozess der End-to-End-Datenwissenschaft und des maschinellen Lernens: Problemformulierung; Datenerfassung und -aufbereitung; Datenanalyse; Datentechnik und Vorverarbeitung; Trainieren, Optimieren und Bewerten eines Modells; und Fertigstellung eines Modells.
- Statistische Konzepte wie Stichprobenziehung, Hypothesentests, Wahrscheinlichkeitsverteilung, Zufälligkeit usw.
- Zusammenfassende Statistiken wie Mittelwert, Median, Modus, Interquartilbereich (IQR), Standardabweichung, Schiefe usw.
- Grafiken, Diagramme, Diagramme und andere Methoden der visuellen Datenanalyse.
Dieses Maß an Fähigkeiten und Wissen können Sie durch die Teilnahme am Kurs erwerben CertNexus zertifizierten Data Science Practitioner (CDSP) (Prüfung DSP-110).
Sie müssen außerdem mit dem Schreiben von Code in der Programmiersprache Python vertraut sein, einschließlich der Verwendung grundlegender Python-Data-Science-Bibliotheken wie NumPy und Pandas.
Lektion 1: Geschäftsprobleme mithilfe von KI und ML lösen
- Thema A: Identifizieren Sie KI- und ML-Lösungen für Geschäftsprobleme
- Thema B: Formulierung eines maschinellen Lernproblems
- Thema C: Ausgewählte Ansätze für maschinelles Lernen
Lektion 2: Daten vorbereiten
- Thema A: Daten sammeln
- Thema B: Daten transformieren
- Thema C: Engineer-Funktionen
- Thema D: Arbeiten mit unstrukturierten Daten
Lektion 3: Trainieren, Bewerten und Optimieren eines Modells für maschinelles Lernen
- Thema A: Trainieren eines Modells für maschinelles Lernen
- Thema B: Bewerten und Optimieren eines Modells für maschinelles Lernen
Lektion 4: Erstellen linearer Regressionsmodelle
- Thema A: Regressionsmodelle mithilfe linearer Regression erstellen Algebra
- Thema B: Erstellen Sie regulierte lineare Regressionsmodelle
- Thema C: Iterative lineare Regressionsmodelle erstellen
Lektion 5: Erstellen von Prognosemodellen
- Thema A: Erstellen Sie univariate Zeitreihenmodelle
- Thema B: Multivariate Zeitreihenmodelle erstellen
Lektion 6: Erstellen von Klassifizierungsmodellen mithilfe logistischer Regression und k-Nearest Neighbor
- Thema A: Binäre Klassifizierungsmodelle mithilfe der logistischen Regression trainieren
- Thema B: Binäre Klassifizierungsmodelle mit k-Nearest Neighbor trainieren
- Thema C: Mehrklassen-Klassifizierungsmodelle trainieren
- Thema D: Klassifizierungsmodelle bewerten
- Thema E: Klassifizierungsmodelle optimieren
Lektion 7: Clustering-Modelle erstellen
- Thema A: Erstellen von k-Means-Clustering-Modellen
- Thema B: Hierarchische Clustering-Modelle erstellen
Lektion 8: Entscheidungsbäume und Zufallswälder erstellen
- Thema A: Entscheidungsbaummodelle erstellen
- Thema B: Zufällige Waldmodelle erstellen
Lektion 9: Aufbau von Support-Vektor-Maschinen
- Thema A: SVM-Modelle für die Klassifizierung erstellen
- Thema B: SVM-Modelle für die Regression erstellen
Lektion 10: Aufbau künstlicher neuronaler Netze
- Thema A: Mehrschichtige Perzeptrone (MLP) bauen
- Thema B: Aufbau von Faltungs-Neuronalen Netzen (CNN)
- Thema C: Aufbau wiederkehrender neuronaler Netze (RNN)
Lektion 11: Operationalisierung von Modellen für maschinelles Lernen
- Thema A: Bereitstellen von Modellen für maschinelles Lernen
- Thema B: Automatisieren Sie den maschinellen Lernprozess mit MLOps
- Thema C: Modelle in maschinelle Lernsysteme integrieren
Lektion 12: Aufrechterhaltung maschineller Lernvorgänge
- Thema A: Sicheres maschinelles Lernen Pipelines
- Thema B: Modelle in der Produktion pflegen
- CertNexus - zertifizierten Data Science Praktiker (CDSP)
Dieser Kurs soll den Teilnehmern helfen, sich auf die Akkreditierung vorzubereiten CertNexus® Certified Artificial Intelligence (AI) Practitioner (Prüfung AIP-210).
