Ausbildung Datenanalyse & Maschine in E-Learning
Ausbildung Data Analysis & Machine Learning
Dauer
Tarif
Werden Sie ein Experte für die Lösung von Industrieproblemen
Nach Abschluss des Kurses Data Analusis & Machine Learning sind Sie in der Lage, Daten korrekt aufzubereiten, Methoden der deskriptiven Statistik anzuwenden, Werkzeuge zur Dimensionsreduktion wie PCA und UMAP zu verwenden und Modellierungsalgorithmen einzusetzen, um alle Informationen aus Ihren Daten zu extrahieren und die richtigen Entscheidungen zu treffen.
Unsere Vorteile
100%
21
99%
Ziele
- Kenntnis der Prinzipien und Beherrschung der Anwendung von Data Analysis und Machine Learning Tools in einem industriellen Rahmen.
- Die Ausbildung basiert auf den Werkzeugen, die im Ellistat-Modul Data Analysis verfügbar sind.
Für wen
Der E-Learning-Kurs richtet sich an Führungskräfte, Ingenieure, die Analysen von Produktionsdaten vornehmen müssen, um daraus ein neues Verständnis oder ein Modell zur Vorhersage von Verhalten abzuleiten.
Voraussetzungen
- Grundlagen der Nutzung des Internets und eines Webbrowsers
- Ein Abschluss auf Niveau II und/oder eine erste fünfjährige Berufserfahrung
- Grundkenntnisse über Qualität, Prozessmanagement
- Sie müssen kein Green Belt Six Sigma oder Black Belt Six Sigma sein, um an diesem Kurs teilzunehmen.
Dauer
50 Stunden Unterricht und Übungen. Das E-Learning ist für diesen Kurs 3 Monate lang 7 Tage pro Woche rund um die Uhr verfügbar.
Pädagogische und technische Mittel
- 100% E-Learning-Schulung auf einer speziellen Plattform
- Die vorgeschlagene Pädagogik ist mediatisiert (Stimme, Text, Übung), spielerisch und multimodal mit Tests in jeder Lektion.
- Theoretische Vorträge
- Konkrete Fallstudien
- Online-Bereitstellung von PDF- und Excel-Trägerdokumenten
Pädagogisches Team
Mit mehr als 30 Jahren Erfahrung, reich an Unterricht und praktischer Umsetzung, begleitet Sie unsere Ausbildungsorganisation für industrielle Qualität durch ein Angebot an Schulungen und Beratungen, um Ihre Leistungen und Ihr Know-how zu entwickeln und zu verbessern. Alle unsere Berater sind Master Black Belt Lean Six Sigma und haben mindestens 10 Jahre Erfahrung in der Anwendung von Lean- und Six-Sigma-Tools im industriellen Umfeld.
Zugänglichkeit
Dieser Kurs ist für Menschen mit Behinderungen zugänglich. Bitte kontaktieren Sie uns bezüglich der Möglichkeiten für spezielle Vorkehrungen. Wir werden alles tun, um Sie willkommen zu heißen.
Programm
Den Umfang von Machine Learning und Datenanalyse eingrenzen
- Die Ziele von Machine Learning verstehen
- Einordnung von Machine Learning in Bezug auf Big Datas, Künstliche Intelligenz...
- Wissen, wie man die verschiedenen Werkzeuge, Regression, Dimensionsreduktion, Clustering, überwachte (S), unüberwachte (NS) Klassifikation, abbildet.
- Verstehen, was man mit Machine Learning machen kann und was nicht
Daten für eine korrekte Analyse vorbereiten
- Wissen, wie man einen Datenerhebungsplan erstellt
- Wissen, wie man einen Stichprobenplan erstellt
- die Grundsätze der deskriptiven Statistik auf Daten anwenden können (Gesetzestyp, Berechnung von statistischen Mittelwerten, Median, Standardabweichung, Kurtosis, Skewness...)
- Wissen, wie man das Vorhandensein von Ausreißern beurteilt
Kenntnis des Prinzips: Werkzeuge zur Dimensionsreduktion (NS)
- das Prinzip der Dimensionsreduktion kennen
- Kenntnis und Anwendung der Instrumente ACP, UMAP, TSNE
- Die Hauptkomponentenanalyse
- Faktorielle Korrespondenzanalyse
- Analyse multipler Übereinstimmungen
- Eine T2-Karte kennen und implementieren
Unüberwachte Klassifizierung
- Kenntnis des Prinzips: Werkzeuge zur nicht überwachten Klassifizierung (NS)
- Hierarchische Klassifizierung: Dendrogramm, Variablen, Individuen
- Kenntnis der Prinzipien der Algorithmen K means, DBSCAN, Mean Shift
Überwachtes Lernen, Y kontinuierlich
- Das Prinzip kennen und die Werkzeuge anwenden können: lineare Regression, multiple lineare Regression
- das Prinzip neuronaler Netze kennen, sie auf einen einfachen Fall anwenden können
Überwachtes Lernen, diskretes Y
- Logistische Regression
- Ordinale logistische Regression
- Überwachte Klassifikation SVM
- KNN und Entscheidungsbaum
Metrik eines Klassifikators
- ROC-Kurve und Verwechslungskontrolle
- Einfache Metriken eines Klassifikators
- Kombinierte Metriken
- Vertrauensintervall auf Metriken
Machine-Learning-Tools in die Praxis umsetzen
- Beherrschung der Nutzung des Ellistat-Moduls Data Analysis zur Umsetzung aller Programmpunkte.
Ihre Erfahrungsberichte
Ein Modus des Lernens
- E-LearningLernen in der Automonie1330€
- 50h E-Learning-Kurse
- Online-Support