Veranstaltungstitel

Machine Learning mit Zusatzqualifikation Statistik

Veranstaltungsinformationen

Bildungsart Fortbildung/Qualifizierung
Abschluss alfatraining-Zertifikat
Unterrichtsform E-Learning, Blended Learning, Virtuelles Klassenzimmer
Schulart Einrichtung der beruflichen Weiterbildung

Veranstaltungsort

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

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). Präsenzunterricht mit Videotechnik.

Bemerkungen

Kursstart alle 4 Wochen
Unsere Teilnehmerinnen und Teilnehmer werden über die gesamte Kursdauer von unseren Fachdozenten über Videotechnik unterrichtet. In unseren Kursen können sich alle zugeschalteten Teilnehmer sehen, hören, dem Dozenten jederzeit Fragen stellen und gemeinsam an Projekten arbeiten. Auch unsere Dozenten und Dozentinnen sehen und hören alle zugeschalteten Teilnehmer und können jeden Einzelnen individuell unterstützen. Die Teilnehmerinnen und Teilnehmer können in Absprache mit ihrer Förderstelle bequem von zu Hause am Vollzeitunterricht über Videotechnik teilnehmen. Die Kursteilnehmer erhalten über die gesamte Kursdauer einen Laptop und einen zweiten Monitor von alfatraining - es wird lediglich ein Internetanschluss benötigt.

Bildungsanbieter

alfatraining Bildungszentrum GmbH
Kriegsstraße 100
76133 Karlsruhe
Baden-Württemberg
Telefon: 0800 / 3456500
Telefax: 0721 / 3545019
Internet: http://www.alfatraining.de/
E-Mail: kursnet@alfatraining.de
Infomaterial des Bildungsanbieters: http://www.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: 13.12.2020 Veranstaltungs-ID: 95596506 Bildungsanbieter-ID: 188844
Version 3.33.0  – OBZ01XI0_PERM02_S05_KURSNET-FINDEN  – Alle Angaben ohne Gewähr  –  ©  Bundesagentur für Arbeit
www.arbeitsagentur.de Version 3.33.0  – OBZ01XI0_PERM02_S05_KURSNET-FINDEN  – Alle Angaben ohne Gewähr -©  Bundesagentur für Arbeit