Verstehen Sie die Grundlagen des maschinellen Lernens.
Wir bieten Standard- und Individualformate an um Ihren Bedarf zu erfüllen.
Alle Standard-Workshops können individuell auf Ihren Bedarf angepasst werden - melden Sie sich gerne bei uns.
Halbtägige Einführung in Grundkenntnisse zu KI, maschinellem Lernen und Anwendungsfällen.
Primär für Führungskräfte mit straffen Zeitplänen, die einen schnellen Überblick über das Thema benötigen.
Ganztägige Einführung in KI. Ziel dieses Tages ist es, den Teilnehmern die Möglichkeit zu geben, Anforderungen für KI-Projekte zu definieren, die richtigen Datenquellen zu finden und interne oder externe Implementierungsanbieter zu hinterfragen und zu steuern.
KI für Entwickler
Mehrtägiger Intensiv-Workshop für IT, Entwickler und Datenwissenschaftler. Anhand detaillierter Python-Beispiele und Übungen lernen Sie alle Grundlagen kennen, vom Laden und Bereinigen Ihrer Daten bis hin zum Training anspruchsvoller Machine Learning Modelle.
Gerne bieten wir Ihnen eine individuelle Zusammenstellung der Module an.
Alle Inhalte können zu individuellen Workshops zusammengestellt werden - wir ergänzen gerne auch spezifische Inhalte wie z.B. interne Use-Cases welche Sie den Teilnehmern gerne vorstellen möchten
Ist es künstliche Intelligenz oder maschinelles Lernen? Was ist Intelligenz überhaupt? Und was ist Deep Learning?
Wie hängt alles mit Big Data, Industry 4.0 und Robotik
zusammen?
In diesem Modul klären wir einige der häufigsten Schlagworte und stellen den Kontext für den gesamten Workshop her.
Sie wissen es, wenn Sie es sehen - deshalb diskutieren wir zu Beginn des Workshops einige bekannte Anwendungsfälle von AlphaGo bis hin zu selbstfahrenden Autos, um Ihnen ein Gefühl dafür zu geben, wie sich die Grenzen der KI-Forschung anfühlen.
Während wir derzeit einen großen Hype um die KI erleben, hat das Feld selbst eine lange Geschichte. Wir erklären einige der wichtigsten Momente und diskutieren, was in den 80er und 90er Jahren als AI angesehen wurde.
Dieses Modul in unserer Management Einführung konzentriert sich ganz darauf, wie Sie Ihre KI-Bemühungen mit der bestehenden Unternehmensstrategie in Einklang bringen können. Benötigen Sie eine KI-Strategie oder eher eine Strategie mit KI? Benötigen Sie einen CAIO? Sollen Sie schnell mit externer Hilfe beginnen oder sich mehr auf die Ausbildung bestehender Teams konzentrieren?
Dieses Modul ist eines der Kernelemente aller unserer Workshops. Sie werden lernen, was ein Machine Learning Modell auf einer abstrakten Ebene ist. Dann erkunden wir einige spezifische Modelle und gehen (außer im Einführungsworkshop) den Weg bis zu neuronalen Netzen. Sie werden den Zusammenhang zwischen verfügbaren Daten und realisierbarer Modellkomplexität verstehen.
Natürlich ist jeder große Technologietrend mit Risiken verbunden. Was sind adversarial examples und wie können wir KI mit ihnen angreifen? Was kann bei der Integration von KI-Modellen in die Produktionsumgebung schief gehen? Wie wirkt sich Bias in meinen Trainingsdaten auf die Modellergebnisse aus und auf welche ethischen Aspekte sollten Sie bei der Anwendung von künstlicher Intelligenz in Ihrem Unternehmen achten?
Eine Schlüsselqualifikation in einer von KI getriebenen Welt wird die Fähigkeit sein, zwischen immer komplexeren Geschäftsanwendungen und modernsten maschinellen Lernansätzen zu vermitteln. In diesem praxisnahen Workshopabschnitt werden wir uns darauf konzentrieren, wie man präzise und eindeutige Ein- und Ausgabeformate definiert und wie man seine Anforderungen an das Ergebnis der künstlichen Intelligenz formuliert.
Tiefe neuronale Netze sind der Kern der aktuellen exponentiellen Entwicklungen in der künstlichen Intelligenz. Aber wie funktionieren sie? Was sind künstliche Neuronen? Und was ist der Zusammenhang zwischen den grundlegenden Modellen des maschinellen Lernens, die wir zuvor in dem Workshop gesehen haben, und diesen hochkomplexen Modellen?
Cloud-Dienste sind einfach und kostengünstig zu nutzen. Aber wissen Sie, welche Daten zum Training des Dienstes verwendet wurden? Gibt es einen Bias im Cloud-basierten Machine Learning-Modell? Wie können Sie sicherstellen, dass der Service Ihren Projektanforderungen entspricht?
In diesem Abschnitt werden wir verschiedene Cloud-Angebote betrachten und diskutieren, welche potenziellen Nachteile Cloud-basierte KI-Lösungen haben und wie man sie ausgleichen kann.
Dieses Modul richtet sich an Entwickler und IT-Experten, die bereits andere Programmiersprachen beherrschen, aber einen schnellen Einstieg in Python benötigen.
Wir werden auch die interaktiven Jupyter-Notebooks vorstellen, die wir im Workshop verwenden, und Sie durch einige der wichtigsten Prinzipien führen, die Sie für das kommende interaktive Training kennen müssen.
Es gibt viele außergewöhnlich gute Bibliotheken und Frameworks, die Ihnen beim maschinellen Lernen in Python helfen. Drei der wichtigsten sind Pandas, Numpy und Scikit-Learn. Gemeinsam werden wir die Grundprinzipien aller drei Pakete durchgehen und dann werden Sie alle Schritte mit klassischen Machine Learning-Datensätzen wie IRIS und MNIST praktisch üben.
Wir werden die beiden grundlegendsten Formen des maschinellen Lernens (in diesem Fall eher grundlegende Mathematik) kennenlernen und den Grundstein für das Verständnis des Konzepts des Trainings eines Modells legen. Darüber hinaus erfahren wir, wie Daten in ein Modell eingegeben werden können und wie Klassifizierung funktioniert - d.h. die von der KI gewünschte Ausgabe ist eine Klasse (Hund/Katze/Maus).
Was kann schief gehen, wenn Sie ein hochkomplexes Modell mit sehr wenigen Daten trainieren? Wie können wir diesen Effekt erkennen und was können wir tun, um dieses so genannte Overfitting zu vermeiden?
Nachdem wir nun alle grundlegenden Konzepte vom Training der linearen und logistischen Regression bis hin zu Overfitting und Regularisierung verstanden haben, sind wir bereit, eine Reihe von klassischen Machine Learning Modellen kennenzulernen.
Obwohl diese Art von Klassifikator sehr unterschiedlich zu den bisher erlernten Ansätzen ist, muss man die ungeheure Effektivität von naiven Bayes-Klassifikatoren verstehen und wie sie auf E-Mail-Texte angewendet werden, um einen vollständigen Überblick über die klassische Machine Learning Landschaft zu erhalten.
In dieser Demo werden wir eine Anomalie-Erkennung basierend auf neuronalen Netzen kennenlernen. Sie werden die Stärke der Methode und die Voraussetzungen für eine Anwendung in Ihren Use-Cases verstehen.
Eine der häufigsten unsupervised Methoden im maschinellen Lernen sind Clustering-Algorithmen. Wir stellen Ihnen verschiedene Konzepte von k-means clustering bis DBSCAN vor und führen Sie in verschiedenen Datensätzen durch die Vor- und Nachteile der verschiedenen Ansätze.
Dieses Modul wird Ihnen bei der Datenexploration und -visualisierung sehr helfen.
Sehr sparse Datensätze mit einer sehr hohen Dimensionalität haben mehrere Probleme. Am offensichtlichsten ist, dass wir die Daten nicht mehr visuell überprüfen können. Weitere Probleme sind, dass Konzepte wie die nächsten Nachbarn auf der Grundlage der Entfernung zusammenbrechen und es unglaublich schwierig werden kann, Modelle des Machine Learning mit den Daten zu trainieren.
Glücklicherweise gibt es mehrere Methoden, um die Dimensionen eines Datensatzes zu reduzieren - in diesem Abschnitt werden wir drei untersuchen: PCA, t-SNE und UMAP
Es war uns ein Vergnügen mit Teams der nachfolgenden Unternehmen zu arbeiten - natürlich können wir keine Projektdetails nennen aber falls Sie eine Referenz benötigen stellen wir gerne einen Kontakt her
Wir konnten mehreren Hundert Teilnehmern mit unterschiedlichem Hintergrund - von HR/Sales/Marketing bis zu IT/Entwicklung/Systemarchitekten - helfen die ersten Schritte Richtung KI zu gehen.
Es würde uns sehr freuen auch Sie als Kunden zu begrüßen
Wir freuen uns auf die Zusammenarbeit mit Ihnen.