SIT Learning wird Constructor LearningMehr dazu

Nach unserer Gründung als Propulsion Academy im Jahr 2016 und der Übernahme durch SIT im letzten Jahr, begrüssen wir heute unseren neuen Markennamen: Constructor Learning. Constructor Learning ist Teil der Constructor Group, die ursprünglich den Namen Schaffhausen Institute of Technology (SIT) trug. Die Organisation wurde 2019 von Dr. Serg Bell gegründet, einem langjährigen Unternehmer und Investor im Bereich Technologie und Bildung. Das Ökosystem, das sich der Schaffung von Wissen durch Wissenschaft, Bildung und Technologie verschrieben hat, kombiniert ein umfassendes Bildungsangebot, das den gesamten Lebenszyklus des Lernens abdeckt, von der Grundschule bis hin zu einer privaten Universität und Führungskursen, Forschungskapazitäten der nächsten Generation und kommerziellen Aktivitäten für technologische Innovationen. SIT mit Hauptsitz in Schaffhausen ist seit der Gründung durch organisches Wachstum und Übernahmen rasch gewachsen. Da es sich zu einer globalen Organisation mit einer Präsenz in mehr als 15 Ländern und einem weltweiten Netzwerk von Forschern, Professoren, Investoren, Kunden und Alumni entwickelt hat, musste die Marke neu überdacht werden, um diese Expansion besser widerzuspiegeln und das gesamte Ökosystem unter einem Namen zu vereinen: Constructor.

Mitteilung schliessen
Maschinelles Lernen

Angewandtes Maschinelles Lernen

Sammle tiefgreifende, praktische Erfahrung im Lösen von Machine Learning-Anwendungsfällen. Innerhalb von 6 Wochen entwickelst du dich vom Anfänger- zum Fortgeschrittenen-Level. Du wirst lernen eigene Projekte und deren Anforderungen zu definieren. Dabei liegt besonderer Fokus auf dem Testen und Sicherstellen der Qualität solcher Algorithmen.

Jetzt bewerben
clock

Teilzeit

6

Wochen

remote

Online

language

Englisch

Programm Überblick

Maschinelles Lernen ist einer der grundlegenden Bausteine der Data Science. Seine Methoden werden aktiv in verschiedenen Branchen eingesetzt. Das Ziel dieses Kurses ist es, dir beizubringen, wie du Machine Learning erfolgreich auf reale Geschäftsprobleme anwenden und dabei häufige Fallstricke vermeiden kannst. Am Ende des Kurses wirst du in der Lage sein:
  • Eine Problemstellung in ein Machine Learning-Problem umzuwandeln.
  • Anforderungen für ein Machine Learning-Projekt (einschliesslich wichtiger Kennzahlen) mithilfe eines ML Canvas zu definieren.
  • Verschiedene Arten von Machine Learning-Pipelines (überwacht und unüberwacht) zu erstellen, einschliesslich Datentransformation, Feature Engineering, dem Aufbau einer Datenpipeline, Hyper-Parameter-Tuning, Verlustfunktionen und Kreuzvalidierungen für verschiedene Regressions- und Klassifikationsaufgaben.
  • Verzerrungen und Unfairness von Machine Learning-Problemen zu identifizieren, sowie mittels geeigneter Methoden komplexe Machine Learning-Modelle erklären und interpretieren zu können.
  • Reale Machine Learning-Anwendungsfälle zu entwickeln und zu lösen, z.B. Predictive Maintenance, Churn Prediction, Kundensegmentierung.

Bevorstehende Termine

Zeitplan: Mo & Mi, 18:00 - 21:00 (CET), online

CHF
Bewerbung bis
Kursdaten
Gebühr
Das nächste Datum ist noch nicht bekannt

Was du lernen wirst

1

End-to-End Pipelines für maschinelles Lernen

Tag 1: Einführung - Wir beginnen mit der Definition eines Anwendungsfalls mithilfe eines Projekt-Canvas und lernen den industrieübergreifenden Standardprozess für Data Mining, CRISP-DM, kennen. Anschliessend geben wir einen Überblick über die wichtigsten Schritte einer End-to-End-ML-Pipeline. Dies umfasst das Bereinigen von Daten, das Definieren eines Basismodells, die Wahl geeigneter Kennzahlen, den Einsatz verschiedener Fehlermetriken zur Modellbewertung und -auswahl, sowie die Aufteilung der Daten in Training und Test, um Unter- oder Überanpassung zu identifizieren.

Tag 2: End-to-End ML-Pipeline - Aufbauend auf den Konzepten von Tag 1 betrachten wir Feature-Normalisierung, das Imputieren fehlender Werte, das Skalieren und Auswählen von Features und wie dies alles fachgerecht mittels Pipelines in die Modellierung integriert werden kann. Du arbeitest mit linearen und polynomialen Regressionsmodellen und lernst verschiedene Regularisierungsmethoden kennen (Ridge, Lasso und elastisches Netz).

2

Klassifikationsmodelle

Tag 1: Klassifikationsmodelle - Lerne über das Klassifizieren von Daten mittels maschinellen Lernens und übe die praktische Umsetzung anhand eines logistischen Regressionsmodells. Du wirst auch mit Konzepten wie Klassenungleichgewicht, Precision-Recall-Analyse (Falsch-Positiv- vs. Falsch-Negativ-Raten), ROC-Kurven und der Verwendung einer Konfusionsmatrix vertraut werden.

Tag 2: Fortgeschrittene Klassifizierungsmodelle - Vertiefung von Problemen des überwachten maschinellen Lernens unter Verwendung häufig verwendeter Klassifizierungsalgorithmen wie K-Neighbors, Naive Bayes, Support Vector Machine, Entscheidungsbäume und moderne Ensemble-Learning-Techniken wie Random Forest, XGBoost und CatBoost.

3

Unüberwachtes Lernen und Ensemble-Modelle

Tag 1: Unüberwachtes Lernen - Neben dem Verständnis von K-means, hierarchischem Clustering und DBSCAN lernst du, wie man bei Anwendug dieser Modelle eine optimale Anzahl von Clustern identifiziert, Cluster-Labels erzeugt und die Resultate mit Hilfe von Visualisierungen und Statistik zu interpretieren. Ein weiterer Schwerpunkt wird die Anwendung von Dimensionalitätsreduktionstechniken wie Hauptkomponentenanalyse und t-SNE sein.

Tag 2: Machine Learning-Anwendungsfall - Du kehrst zurück zu Klassifikationsmodellen (jetzt mit den Möglichkeiten des unüberwachten Lernens) und wirst deine Kenntnisse in einem realen Szenario anwenden. Ein weiterer Schwerpunkt dieses Tages ist es unüberwachtes mit überwachtem Lernen zu kombinieren und dadurch die Leistungsfähigkeit von ML-Systemen zu erhöhen.

4

Modell-Erklärbarkeit und Auswahl

Tag 1: Modellverzerrung und Erklärbarkeitsanalyse - Die meisten Machine Learning-Modelle sind verzerrt. Du wirst Visualisierungstechniken anwenden, um Modellverzerrungen sichtbar zu machen und mittels modernen Frameworks wie LIME und SHAP versuchen diese zu interpretieren und mögliche Ursachen zu erklären. Du wirst auch die Grenzen dieser Methoden kennenlernen und erfahren, wie du den Effekt von Störfaktoren in solchen Analysen identifizieren kannst.

Tag 2: Hyperparameter-Tuning und AUTO-ML - Nachdem du deine eigenen Machine Learning-Pipelines entwickelt und verwendet hast, wirst du an diesem Tag lernen, wie du die viele Komponenten der Machine Learning-Modellentwicklung und Evaluierung mit modernsten AUTO-ML-Frameworks wie PyCaret, TPOT und MLJAR automatisieren kannst.

5

Modellimplementierung, Experimentverfolgung und -überwachung

Tag 1: ML Model Deployment - Nachdem wir nun alles über die Modellentwicklung gelernt haben, ist es an der Zeit, zum nächsten Schritt im ML-Prozesszyklus überzugehen - dem Deployment. Du wirst mit git und Versionskontrollsystemen vertraut werden und lernst Strategien zur Modellbereitstellung kennen. Dabei erfährst du auch über die wichtigsten Schritte zur Erstellung und Bereitstellung eines Machine Learning-Modells in der Cloud mit AWS sowie lokal in einer virtuellen Umgebung.

Tag 2: Experiment Tracking und Model Monitoring - Jedes Machine Learning-Modell muss nach dem Deployment in der Produktion überwacht werden. Am letzten Vorlesungstag dieses Kurses wirst du statistische Techniken anwenden, um die Performance eines Modells zu überwachen und potentiellen Datendrift zu quantifizieren.

6

Miniprojekt

Tag 1: Bring dein persönliches Projekt mit und implementiere deine komplette Machine Learning-Pipeline. Wir werden dich mit Vorschlägen versorgen.

Tag 2: Weiterführung und Kurzpräsentationen der Abschlussprojekte.

Wochenplan

(CET)

Mo

Di

Mi

Do

Fr

Sa

09H00

12H00

13H00

17H40

18H00

19H00

21H00

Q&A Sitzung

Während der Fragerunden bist du völlig frei, dich zu verbinden und alle Fragen zu den behandelten Themen zu stellen.

Vorlesung

Lerne von unseren Referenten, die Experten auf ihrem jeweiligen Gebiet sind, und werde während der Live-Vorlesungen in neue Themen eingeführt.

Praxisübungen

Bearbeite eine Reihe interessanter und anspruchsvoller Übungen, die sich auf die in der vorherigen Lektion behandelten Themen beziehen.

Erhalte ein Leistungszertifikat

Teile dein Zertifikat auf den sozialen Netzwerken, gedruckten Lebensläufen oder anderen Dokumenten. Bringe deine Karriere mit den neu erworbenen Fähigkeiten voran.

Certificate

Das sagen unsere Studenten

Vaios Vlachos

Vaios Vlachos

Machine Learning

Gleich nach dem Kurs konnte ich mit der Arbeit an Machine Learning-Projekten in meinem Unternehmen beginnen.

Beruf:Data Scientist bei Nispera

Akos Redey

Akos Redey

Machine Learning

Es war die beste Entscheidung, die ich getroffen habe, indem ich diesen Kurs gegenüber einem MOOC bei einem bekannten globalen Anbieter gewählt habe.

Beruf:Senior Business Intelligence Analyst bei Wüest Partner

Tools, die wir unterrichten

  • Python

  • Jupyter notebooks

  • Pandas

  • Matplotlib

  • Seaborn

  • Scikit-Learn

  • Auto-ML (TPOT, PyCaret, MLJAR)

  • Evidently

  • Flask

  • AWS

placeholder

Bevorstehende Veranstaltungen

Nimm an einer unserer Veranstaltungen teil. Entdecke unsere kommenden Workshops, Infoveranstaltungen, Abschlusspräsentationen und Webinare zu aktuellen Themen.

  • HTML und CSS Workshop

    30. Nov 22, 06:00 PM - 07:30 PM GMT+1

    Ort: Online über Google Meet

    Du fragst dich, wie programmieren eigentlich funktioniert? Ruben Villalon, unser Full-Stack-Programm-Manager und ein Experte für Softwaretechnik, zeigt dir die Grundlagen! Komm einfach am Mittwoch, 30. November, von 18 bis 19.30 Uhr zu unserem spannenden Programmierabend. Nach einer kurzen Einführung in HTML, CSS-Positionierung, Flex und Animationen wirst du das Gelernte in einer Reihe von Übungen anwenden. Wenn du bereit bist, im Bereich der Programmierung einzutauchen, ist dies die perfekte Gelegenheit. Registriere dich heute, um deinen Platz zu sichern

    Details

  • Online Info-Veranstaltung (Data Science, Full-Stack und UX/UI)

    01. Dez 22, 06:00 PM - 07:00 PM GMT+1

    Ort: Online über Zoom

    Bist du neugierig, mehr über unsere Bootcamps und Kurzkurse zu erfahren? Dann melde dich am Donnerstag für eine kurze Einführung in SIT Learning und unsere Programme an. Nehme dir die Gelegenheit wahr, mit unseren Dozenten zu sprechen, herauszufinden, wie unser Full-Stack-Development-Bootcamp aufgebaut ist, und mehr über die Themen zu erfahren, die wir in unserem Data Science Bootcamp behandeln und was du von unserem UX/UI Bootcamp erwarten kannst. Trage den Termin in deinen Kalender ein und melde dich noch heute an. Wir sehen uns bald!

    Details

Empty room with chairs

Bewerbungsprozess und Voraussetzungen

Dieser Kurs ist für Anfänger und fortgeschrittene Python-Programmierer geeignet.
Bewirb dich hier.

FAQs

Wie unterscheidet sich dieser Kurs von anderen Online-Kursen zum Selbststudium?

Die meisten Kurse zum Selbststudium sind ein guter Anfang. Sie gehen jedoch nicht in die Tiefe der Probleme, mit denen Menschen, die mit Machine Learning arbeiten, konfrontiert sind. Dieser Kurs deckt das ab und geht über jede verfügbare Machine Learning-Schulung hinaus, indem er sich sowohl auf die konzeptionellen als auch auf die praktisch angewandten Aspekte des maschinellen Lernens konzentriert. Darüber hinaus werden die Dozenten auch Tipps, Tricks und Fallstricke aus ihrer Branchenerfahrung mit maschinellem Lernen teilen.

Gibt es für diesen Kurs ein Auswahlgespräch?

Nein, das Ziel ist es, dich in das Feld des angewandten maschinellen Lernens einzuführen. Jeder mit einem Hintergrund in Python (Programmierung) und Grundschulmathematik sollte in der Lage sein, diesem Kurs zu folgen.

Wie unterscheidet sich der Lehrplan von SIT Learning von anderen Schulen?

SIT Learning hat mehr als 500 Full-Stack Engineers und Data Scientists ausgebildet. Dadurch hat das SIT Learning-Team ein tiefgreifendes Verständnis dafür entwickelt, welche Fähigkeiten auf dem Markt am meisten gefragt sind und welche Teile der Technologie bei der Arbeit mit Daten am wichtigsten sind.

Wer sollte diesen Kurs besuchen?

Jeder, der Erfahrungen in der Anwendung von maschinellem Lernen auf geschäftliche Probleme sammeln und etwas über die Herausforderungen, Fallstricke und Best Practices in diesem Bereich erfahren möchte. Personen, die an konkreten Ideen zur Problemlösung arbeiten wollen oder Personen, die sich mit Datenwissenschaftlern austauschen wollen.

Was sind die Voraussetzungen für diesen Kurs?

Der Kandidat sollte Erfahrung in der Python-Programmierung als Anfänger bis Fortgeschrittener haben. Vorkenntnisse im Bereich Machine Learning sind nicht erforderlich. Mathematik: Dieser Kurs befasst sich mit der Anwendung von Methoden des maschinellen Lernens auf konkrete Probleme. Grundlegende Kenntnisse in linearer Algebra und Infinitesimalrechnung helfen dir, die Details der Algorithmen des maschinellen Lernens zu verstehen; sie sind jedoch nicht zwingend erforderlich, um diesen Kurs zu besuchen.

Wie sieht der Tagesablauf aus?

In jeder Vorlesung lernst du in einer 60- bis 90-minütigen Lektion ein neues Thema kennen, verbunden mit praktischen Übungen. Für den Rest der 3 Stunden arbeitest du mit Hilfe unserer Lehrer und Lehrassistenten an geführten Übungen. Während der Q&A-Sitzungen (donnerstags und 20 Minuten vor jedem Kurs) kannst du dich völlig frei mit uns verbinden und Fragen zum Kurs und den Übungen oder zu deinen persönlichen Projekten stellen.

Lehrkräfte

Team Member

Dipanjan Sarkar

Lead Data Scientist & Instructor

Dipanjan (DJ) ist Lead Data Science Consultant & Instructor und leitet dort zukunftsweisende Projekte in den Bereichen Bildverarbeitung, Natural Language Processing und Deep Learning. Ausserdem ist er ein Google-Entwickler-Experte für maschinelles Lernen. Dipanjan hat mehrere Startups sowie Fortune-500-Unternehmen beraten und mit ihnen zusammengearbeitet. Er ist außerdem Autor mehrerer Bücher über R, Python, maschinelles Lernen, Natural Language Processing und Deep Learning. Er liebt es sein Wissen zu teilen, um anderen auf ihrem Weg in Data Science zu helfen.
Team Member

Badru Stanicki

Instructor

Mit einem Master in Physik stieg Badru während seiner Zeit am Deutschen Zentrum für Luft- und Raumfahrt in Spanien in die wissenschaftliche Programmierung und Datenwissenschaft ein. Nachdem er mehrere Jahre in der Forschung gearbeitet hatte, wechselte er zur Data Science, zunächst als Student und dann als Teammitglied. Seine Hauptinteressen sind DataOps und Time Series Analysis.
Team Member

Dr. Marie Bocher

Data Science Consultant

Marie hat 7 Jahre Erfahrung in der Entwicklung, Bereitstellung und Lehre von Machine Learning und statistischen Modellen. Bei SIT, berät sie Unternehmen und mentort im Bereich Data Science und Software Engineering. Ihr Fachwissen zu diesen Themen teilt Sie gerne mit einem praxisorientierten und interaktiven Lehransatz.

Unser Blog

Lies die neuesten Nachrichten über Constructor Learning und informiere dich über alles rund um Programmierung und Data Science in der Schweiz und Deutschland.

mit-hristo-georgiev-ehemaliger-studentin-der-full-stack

mit Hristo Georgiev, ehemaliger Student der Full-Stack

Veröffentlicht am 26-10-2022 von Claudia Boker

Mehr Infos
die-macht-von-daten-analysen-der-wirtschaft

Die Macht von Daten & Analysen in der Wirtschaft

Veröffentlicht am 14-10-2022 von Professor Achille Ettorre

Mehr Infos
kundenorientierte-innovation-und-die-kraft-von-10x

Kundenorientierte Innovation und die Kraft von 10X von Gary P. Kearns

Veröffentlicht am 10-10-2022 von Gary Kearn

Mehr Infos