Veranstaltungstitel

Machine Learning mit Zusatzqualifikation Statistik

Veranstaltungsinformationen

Bildungsart Fortbildung/Qualifizierung
Abschluss alfatraining-Zertifikat
Unterrichtsform Vor-Ort-Vollzeit
Schulart Einrichtung der beruflichen Weiterbildung
Veranstaltungsnummer 6870-0138-20201214

Veranstaltungsort

Telefon: 0800 / 3456500
Internet: http://www.alfatraining.de
E-Mail: kursnet-marl@alfatraining.de
Hinweise zur Adresse:

Alle unsere Weiterbildungen finden trotz Corona in gewohnter Qualität statt. Für uns stehen jedoch die Gesundheit unserer Teilnehmerinnen und Teilnehmer, sowie unserer Kolleginnen und Kollegen an erster Stelle. Aus diesem Grund ermöglichen wir Ihnen die ansteckungsfreie Teilnahme an unseren Weiterbildungen von Zuhause aus. Falls Ihnen die räumlichen und technischen Voraussetzungen eine Teilnahme von Zuhause aus nicht ermöglichen, können Sie Ihren Kurs auch in einem unserer Bildungszentren absolvieren, unter Einhaltung der aktuellen Sicherheits- und Hygienevorschriften. In Abstimmung mit dem Bildungszentrum ist eine Teilnahme auch aus anderen Gründen möglich.

Kosten/Gebühren/Förderung

Förderung: Förderung mit Bildungsgutschein
Sonstige Förderung: Bildungsgutschein (Arbeitsuchende und Arbeitslose), WeGebAU (Beschäftigte), Europäischer Sozialfonds ESF (Kurzarbeit oder Transfergesellschaften). Weitere Förderstellen: Berufsförderungsdienst (BFD), die Berufsgenossenschaft (BG) sowie der Rentenversicherungsträger (DRV).

Dauer und Termine

Beginn der Veranstaltung 14.12.2020
Ende der Veranstaltung 12.02.2021
individueller Einstieg Nein
Unterrichtszeiten

Montag bis Freitag von 08:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)

Bemerkungen

Weihnachtsferien vom 24.12.2020 - 01.01.2021

Präsenzunterricht mit Videotechnik: Ihre Dozentin oder Ihr Dozent ist den gesamten Kurs über eine Live-Schaltung, lippensynchron und in Fernsehqualität präsent. Es werden Bild, Ton und Bildschirm des Dozenten auf Ihren Monitor übertragen. Sie können Ihren Dozenten jederzeit ansprechen und ihm Fragen stellen. Auch Ihr Dozent oder Ihre Dozentin sieht und hört alle zugeschalteten Teilnehmerinnen und Teilnehmer und kann bei Bedarf jeden Einzelnen individuell unterstützen. Darüber hinaus können Sie auch alle anderen Kursteilnehmerinnen und Teilnehmer sehen und hören und zu jeder Zeit ansprechen.

Termine  Hier werden alle Termine zu diesem Bildungsangebot angezeigt.

Bildungsanbieter

alfatraining Bildungszentrum GmbH
Hülsstraße 12a
45772 Marl
Nordrhein-Westfalen
Telefon: 0800 / 3456500
Internet: http://www.alfatraining.de/
E-Mail: kursnet-marl@alfatraining.de

Anbieterbewertung

Datenlage nicht ausreichend
Erläuterungen

Der Wert "Datenlage nicht ausreichend" wird angezeigt:

  • wenn keine Rückmeldungen der Teilnehmenden aus der Onlinebefragung vorliegen und
  • wenn im Bewertungszeitraum weniger als 20 geförderte Teilnehmende im Berufssegment und im Agenturbezirk eine Maßnahme beendet haben oder
  • weil ein Angebot ohne Veranstaltungsort keinem Agenturbezirk zugeordnet werden kann oder
  • wenn das Angebot keinem Berufssegment zugeordnet werden kann oder
  • wenn der Anbieter der Anzeige seiner Bewertungen nicht zugestimmt hat

Fachkundige Stelle / Zertifizierer

DQS GmbH Deutsche Gesellschaft
zur Zertifizierung von
Managementsystemen
August-Schanz-Straße 21
60433 Frankfurt am Main

Sonstiges

Teilnehmeranzahl: 6 bis 25
Zusatzqualifikation: alfatraining-Zertifikat

Zugang

Zugang:

Grundlagenwissen in Python wird empfohlen.

Zielgruppe: Informatiker/-innen, Mathematiker/-innen, (Wirtschafts-)Ingenieure/-innen, Elektrotechniker/-innen

Inhalte

Statistik

Statistische Grundlagen (ca. 6 Tage)

Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Stichprobenarten, Messung und Skalenniveaus)
Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwert, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme und Boxplots)
Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme und gruppierte Balkendiagramme)
Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilung, Normalverteilung, Mittelwerteverteilung, Signifikanztest, Nullhypothesentest nach Fisher, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalysen und Ermittlung des optimalen Stichprobenumfangs)

Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)

z- und t-Test für eine Stichprobe (Abweichung von einem vorgegebenen Wert)
t-Test für den Mittelwertsunterschied von zwei unabhängigen/verbundenen Stichproben
Prüfung der Wirksamkeit von Aktionen, Maßnahmen, Interventionen und anderen Veränderungen mit t-Tests (Pretest-Posttest-Designs mit zwei Gruppen)
Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonnet-Test, Signifikanztest für Korrelationen)
Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test)
Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen mit Assoziationsmaße)

Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 5 Tage)

Ein- und zweifaktorielle Varianzanalyse (einfache und balancierte ANOVA)
Mehrfaktorielle Varianzanalyse (Allgemeines lineares Modell)
Feste, zufällige, gekreuzte und geschachtelte Faktoren
Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)
Interaktionsanalyse (Analyse von Wechselwirkungseffekten)
Trennschärfe und Poweranalyse bei Varianzanalysen

Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)

Voll- und teilfaktorielle Versuchspläne

Projektarbeit (ca. 3 Tage)

zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

Machine Learning

Einführung in Machine Learning (ca. 5 Tage)

Warum Machine Learning?
Anwendungsbeispiele
Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen
Beispiele für Datenbestände
Daten kennenlernen
Trainings-, Validierungs- und Testdaten
Daten sichten
Vorhersagen treffen

Überwachtes Lernen (ca. 5 Tage)

Klassifikation und Regression
Verallgemeinerung, Overfitting und Underfitting
Größe des Datensatzes
Algorithmen zum überwachten Lernen
Lineare Modelle
Bayes-Klassifikatoren
Entscheidungsbäume
Random Forest
Gradient Boosting
k-nächste-Nachbarn
Support Vector Machines
Conditional Random Field
Neuronale Netze und Deep Learning
Wahrscheinlichkeiten

Unüberwachtes Lernen (ca. 5 Tage)

Arten unüberwachten Lernens
Vorverarbeiten und Skalieren
Datentransformationen
Trainings- und Testdaten skalieren
Dimensionsreduktion
Feature Engineering
Manifold Learning
Hauptkomponentenzerlegung (PCA)
Nicht-negative-Matrix-Faktorisierung (NMF)
Manifold Learning mit t-SNE
Clusteranalyse
k-Means-Clustering
Agglomeratives Clustering
Hierarchische Clusteranalyse
DBSCAN
Clusteralgorithmen

Evaluierung und Verbesserung (ca. 2 Tage)

Modellauswahl und Modellevaluation
Abstimmung der Hyperparameter eines Schätzers
Kreuzvalidierung
Gittersuche
Evaluationsmetriken
Klassifikation

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

Veröffentlichungsinformationen

Aktualisiert am: 03.11.2020 Veranstaltungs-ID: 110662028 Bildungsanbieter-ID: 252053
Version 3.32.0  – OBZ02XI0_PERM02_S06_KURSNET-FINDEN  – Alle Angaben ohne Gewähr  –  ©  Bundesagentur für Arbeit
www.arbeitsagentur.de Version 3.32.0  – OBZ02XI0_PERM02_S06_KURSNET-FINDEN  – Alle Angaben ohne Gewähr -©  Bundesagentur für Arbeit