-
Derece türü: Makine Öğrenimi" sertifikası
-
Ek nitelikler: "İstatistik ve Veri Analizi" Sertifikası
-
Final Sınavı: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Ders saatleri: Tam zamanlıPazartesi'den Cuma'ya 8:30 - 15:35 (resmi tatil olan haftalarda 8:30 - 17:10)
-
Eğitim dili: Alman
-
Süre: 8 Haftalar
İstatistik ve veri analizi
İstatistiksel temeller (yaklaşık 6 gün)
Ölçme kuramının temelleri (evren, örneklem, örneklem türleri, ölçüm, ölçek düzeyleri)
Tek değişkenli tanımlayıcı istatistikler (frekans dağılımları, merkezi ölçümler, dağılım ölçümleri, standardizasyon, histogramlar, çubuk grafikler, pasta grafikler, çizgi grafikler, kutu grafikleri)
İki değişkenli tanımlayıcı istatistikler (korelasyon ölçümleri, korelasyon katsayıları, çapraz tablolar, dağılım grafikleri, gruplandırılmış çubuk grafikler)
Tümevarımsal çıkarımsal istatistiğin temelleri (olasılık dağılımları, normal dağılım, ortalamanın örnekleme dağılımı, anlamlılık testi, boş hipotez testi, anlamlılık düzeyi, etki büyüklüğü, parametre tahmini, güven aralıkları, hata çubuğu grafikleri, güç analizi, örneklem büyüklüğü)
Uygun yazılımlarla veri hazırlama ve veri temizleme
Tanımlayıcı analiz
İstatistiksel sonuçların görselleştirilmesi
İstatistiksel sonuçların yapay zeka destekli analizi ve yorumlanması
İki grubu karşılaştırma yöntemleri (yaklaşık 5 gün)
z-testi, tek örneklem için t-testi
Bağımsız ve ilişkili örneklemler için t-testi
İki gruplu ön test-son test tasarımları
Anlamlılık testlerinin desteklenmesi (Anderson-Darling testi, Ryan-Joiner testi, Levene testi, Bonett testi, korelasyonlar için anlamlılık testi)
Parametrik olmayan yöntemler (Wilcoxon testi, işaret testi, Mann-Whitney testi)
Olumsallık analizleri (binom testi, Fisher'in kesin testi, ki-kare testi, çapraz tablolar, ilişki ölçümleri)
Test sonuçlarının yorumlanması
Sonuçların yapay zeka destekli yorumlanması
Regresyon analizinin temelleri (yaklaşık 2 gün)
Doğrusal regresyon
Model yorumlama
Yapay zeka destekli model yorumlama
Korelasyon analizi
Çeşitli grupların ortalamalarını karşılaştırma yöntemleri (yaklaşık 3 gün)
Tek faktörlü ve iki faktörlü varyans analizi (ANOVA)
Post-hoc analizleri
Grup farklılıklarının yorumlanması
Çok faktörlü varyans analizi (genel doğrusal model)
Sabit, rastgele, çaprazlanmış ve iç içe geçmiş faktörler
Çoklu karşılaştırma yöntemleri (Tukey-HSD, Dunnett, Games-Howell)
Etkileşim analizi
Varyans analizleri için güç analizi
Deney Tasarımına Giriş (DoE) (yaklaşık 1 gün)
Tam faktöriyel ve kısmi faktöriyel deneysel tasarımlar
Proje çalışması (yaklaşık 3 gün)
Öğrenilen içeriği pekiştirmek için
Proje sonuçlarının sunumu
Makine Öğrenimi
Makine Öğrenimine Giriş ve ML İş Akışı (yaklaşık 3 gün)
Makine Öğreniminin Temelleri, Uygulama Alanları ve Türleri
Modern Yapay Zeka ve Makine Öğrenimi Yöntemlerinin Sınıflandırılması
scikit-learn ile Makine Öğrenimi İş Akışı
Eğitim, doğrulama ve test verileri
Underfitting, Overfitting ve Model Değerlendirmesi
Çapraz Doğrulama
Veri Hazırlama ve Özellik Mühendisliği (yaklaşık 2 gün)
Veri kalitesi ve veri ön işleme
Ölçeklendirme, Normalleştirme ve Kodlama
Özellik Mühendisliği ve Özellik Seçimi
Eksik değerler, uç değerler ve dengesiz veri kümeleriyle başa çıkma
Denetimli Öğrenme – Regresyon ve Sınıflandırma (yaklaşık 5 gün)
Regresyon ve Sınıflandırma Yöntemleri
Doğrusal ve düzenlemeli modeller
Mesafe, olasılık ve ağaç tabanlı yöntemler
Ensemble ve Boosting yöntemleri
Model karşılaştırması ve hiperparametre optimizasyonu
Değerlendirme metrikleri ve olasılıksal tahminler
Özellik Önemliliği ve Açıklanabilir Yapay Zeka
Gözetimsiz öğrenme (yaklaşık 2 gün)
Boyut azaltma ve özellik çıkarma
Kümeleme yöntemleri ve kümeleme sonuçlarının değerlendirilmesi
Anomali Tespiti
Zaman Serisi Analizi ve Tahminler (yaklaşık 1 gün)
Zaman serisi verilerinin temelleri ve analizi
Zaman serileri için tahmin yöntemleri ve makine öğrenimi
Sinir ağları ve modern yapay zeka (yaklaşık 2 gün)
Sinir ağlarının temelleri ve derin öğrenme
Metin verileri için makine öğrenimi ve doğal dil işleme
Temel Modeller, Büyük Dil Modelleri ve üretken yapay zeka
ML modellerinin devreye alınması (yaklaşık 1 gün)
Eğitimli modellerin depolanması ve sunumu
Basit makine öğrenimi uygulamalarının geliştirilmesi
Makine öğrenimi modelleri için arayüzler ve platformlar
Proje çalışması (yaklaşık 4 gün)
Öğrenilen içeriği pekiştirmek için
Proje sonuçlarının sunumu
Değişiklikler mümkündür, kurs içeriği düzenli olarak güncellenmektedir.
Bu eğitimden sonra verileri hazırlayabilecek, istatistiksel olarak analiz edebilecek ve sonuçları profesyonel olarak yorumlayabileceksiniz. Uygun yazılımları kullanarak istatistiksel analizleri bağımsız olarak gerçekleştirebilecek, sonuçları görselleştirebilecek ve hipotez testi ve karar destek yöntemlerini kullanabileceksiniz. Ayrıca örneklem planlayabilecek ve güç analizleri yapabileceksiniz.
Ayrıca, makine öğrenimi uygulamaları için verileri hazırlayabilir, denetimli ve denetimsiz öğrenme yöntemleri arasından uygun olanları seçebilir, modelleri eğitebilir, değerlendirebilir ve optimize edebilirsin. Model sonuçlarını yorumlayabilir ve temel makine öğrenimi uygulamalarını hayata geçirebilirsin. Ayrıca, derin öğrenme ve üretken yapay zeka alanındaki güncel gelişmelerden haberdarsın.
Bilgisayar bilimleri, matematik, elektrik mühendisliği ve (işletme) mühendisliği diplomasına sahip kişiler
Makine öğrenimi, büyük veri hacimlerini analiz etmek, kalıpları tespit etmek, süreçleri optimize etmek ve tahminlerde bulunmak amacıyla çeşitli sektörlerde kullanılmaktadır. Bu alandaki bilgiler, özellikle BT, sanayi, lojistik, finans ve pazarlama gibi sektörlerde kullanılır. Python bilgisi ile makine öğrenimi modellerinin geliştirilmesi, değerlendirilmesi ve uygulanması konusundaki bilgiler, veri ve yapay zeka odaklı çalışma alanlarında kariyer fırsatları sunar.
Anlamlı sertifikanız, edindiğiniz nitelikler hakkında ayrıntılı bir fikir verir ve kariyer beklentilerinizi geliştirir.
Didaktik kavram
Eğitmenleriniz hem profesyonel hem de didaktik açıdan son derece kalifiyedir ve size ilk günden son güne kadar ders verecektir (kendi kendine çalışma sistemi yoktur).
Etkili küçük gruplar halinde öğreneceksiniz. Kurslar genellikle 6 ila 25 katılımcıdan oluşmaktadır. Genel dersler, tüm kurs modüllerinde çok sayıda pratik alıştırma ile desteklenmektedir. Uygulama aşaması kursun önemli bir parçasıdır, çünkü bu süre zarfında öğrendiklerinizi işler ve uygulamada güven ve rutin kazanırsınız. Kursun son bölümü bir proje, bir vaka çalışması veya bir final sınavını içerir.
Sanal sınıf alfaview®
BildungszentrumDersler, modern alfaview® video teknolojisi kullanılarak kendi evinizin rahatlığında ya da 'deki tesislerimizde gerçekleştirilir. Tüm kursiyerler alfaview® aracılığıyla birbirlerini yüz yüze görebilir, birbirleriyle dudak senkronize ses kalitesinde iletişim kurabilir ve ortak projeler üzerinde çalışabilir. Elbette, bağlı eğitmenlerinizi de istediğiniz zaman canlı olarak görebilir ve onlarla konuşabilirsiniz ve kursun tüm süresi boyunca eğitmenleriniz tarafından gerçek zamanlı olarak eğitileceksiniz. Dersler e-öğrenme değil, video teknolojisi aracılığıyla gerçek canlı yüz yüze öğretimdir.
alfatraining Agentur für Arbeit Eğitim kursları, AZAV onay yönetmeliğine uygun olarak sübvanse edilmekte ve sertifikalandırılmaktadır. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinKurs başvurusunda bulunduğunuzda, kurs masraflarının tamamı genellikle finansman kuruluşunuz tarafından karşılanır.
Europäischen Sozialfonds Deutsche Rentenversicherung (ESF), (DRV) veya bölgesel finansman programları aracılığıyla da finansman mümkündür. Berufsförderungsdienst Düzenli bir asker olarak, (BFD) aracılığıyla daha fazla eğitim kursuna katılmak mümkündür. Agentur für Arbeit (Qualifizierungschancengesetz) Şirketler de çalışanlarını (BFD) tarafından sağlanan bir finansman programı aracılığıyla kalifiye hale getirebilirler.