Willkommen zu Woche 2. In dieser Woche liegt der Schwerpunkt auf den praktischen Aspekten der Erstellung und Bewertung von Modellen für maschinelles Lernen. Sie lernen, wie Sie Daten mithilfe von Vorverarbeitungsverfahren aufbereiten, geeignete Modelle auswählen und trainieren sowie deren Leistung anhand von Standardmetriken bewerten. Anhand praktischer Demos werden Sie Klassifizierungsaufgaben erkunden, Verwechslungsmatrizen verstehen und Bewertungskennzahlen sowohl für Klassifizierungs- als auch für Regressionsmodelle anwenden. Am Ende der Woche werden Sie in der Lage sein, die Modellleistung effektiv zu bewerten und während des Modelltrainings- und -bewertungsprozesses fundierte Entscheidungen zu treffen.

Willkommen zu Woche 3. In dieser Woche beschäftigen wir uns mit Techniken des unüberwachten maschinellen Lernens, mit denen sich verborgene Muster und Strukturen in Daten aufdecken lassen. Sie lernen die Grundlagen des Clusterings kennen, darunter K-Means, hierarchisches Clustering und dichtebasiertes Clustering, begleitet von praktischen Demonstrationen. Außerdem werden wir uns mit dem Association-Rule-Mining befassen, um Zusammenhänge innerhalb von Datensätzen zu verstehen. Am Ende der Woche werden Sie in der Lage sein, Methoden des unüberwachten Lernens anzuwenden, um ohne beschriftete Daten Erkenntnisse zu gewinnen.

Willkommen zu Woche 4. In dieser Woche konzentrieren wir uns auf fortgeschrittene Techniken des maschinellen Lernens und die Leistungsoptimierung. Sie erhalten eine Einführung in NVIDIA RAPIDS und lernen anhand praktischer Demonstrationen, wie GPUs die Datenverarbeitung und Workflows im Bereich des maschinellen Lernens erheblich beschleunigen können. Wir werden Modelloptimierungstechniken wie die Kreuzvalidierung mit GridSearch und RandomizedSearch untersuchen, um die Modellleistung und -zuverlässigkeit zu verbessern. Abschließend lernen Sie die Grundlagen der Zeitreihenanalyse mithilfe des ARIMA-Modells kennen und setzen diese in praktischen Demos um. Am Ende der Woche werden Sie in der Lage sein, ML-Workflows zu optimieren, gut abgestimmte Modelle auszuwählen und Zeitreihenverfahren auf reale Prognoseprobleme anzuwenden.

Willkommen zu Woche 5. In dieser Woche liegt der Schwerpunkt auf der Anwendung von maschinellem Lernen in realen Szenarien. Sie lernen, wie Sie geeignete Anwendungsfälle für maschinelles Lernen identifizieren, die Unterschiede zwischen KI, maschinellem Lernen und Deep Learning verstehen und AWS-Dienste kennenlernen, die ML-Workloads unterstützen. Außerdem behandeln wir, wie ML- und Deep-Learning-Modelle in der Produktion eingesetzt werden, einschließlich der Bereitstellung von Daten für das Modelltraining und der Entwicklung effektiver Strategien zur Datenerfassung. Am Ende der Woche werden Sie in der Lage sein, ML-Lösungen an geschäftliche Anforderungen anzupassen und praktische, produktionsreife ML-Workflows zu entwerfen.

Willkommen zu Woche 6. In dieser Woche liegt der Schwerpunkt auf der Erstellung und Operationalisierung von Machine-Learning-Lösungen mithilfe von Azure Machine Learning und MLOps-Verfahren. Sie lernen, wie Sie Azure Machine Learning-Umgebungen organisieren und verwalten, verstehen die Rolle des Azure Machine Learning-Arbeitsbereichs und erkunden den End-to-End-Workflow bei der Entwicklung, dem Training und der Bereitstellung von Machine-Learning-Modellen. Außerdem werden in dieser Woche zentrale Konzepte des maschinellen Lernens vorgestellt, darunter verschiedene Arten von ML-Aufgaben, häufig verwendete Algorithmen sowie der Einsatz von AutoML zur Vereinfachung der Modellauswahl und -optimierung. Am Ende der Woche sind Sie in der Lage, eine effektive MLOps-Architektur zu entwerfen und strukturierte, skalierbare sowie produktionsreife Workflows für maschinelles Lernen mithilfe von Azure Machine Learning zu implementieren.