Machine Learning 101 – Datenanalyse abseits des Hypes

Durch die Digitalisierung, das Internet of Things und die Industrie 4.0 fallen immer größere Datenmengen an. Die Auswertung durch Menschen ist schon lange undenkbar geworden, doch wie können sie sinnvoll genutzt werden, statt im Archiv zu verstauben? Machine Learning beschäftigt sich mit dieser Frage und bietet Möglichkeiten, sich durch den Dschungel zu kämpfen, Muster zu erkennen und Grundlagen für Entscheidungen zu legen.
In unserem Workshop geben wir einen Überblick und erklären, was Machine Learning ist. Dazu vermitteln wir Grundlagenkenntnisse, einen allgemeinen Projekt-Workflow und steigen in einzelne Bereiche tiefer ein, sodass Teilnehmer neue Projekte erfolgreich umsetzen können.

Technische Anforderungen
Alle Informationen, Installationsanleitung und Agenda werden unter https://github.com/data-science-workshops/machine-learning-101 veröffentlicht.

Falls Sie ein Gerät Ihrer Firma verwenden, überprüfen Sie vorher bitte, ob eines der folgenden, gelegentlich vorkommenden Probleme bei Ihnen auftreten könnte:

* Workshop-Teilnehmer hat keine Administrator-Rechte.
* Corporate Laptops mit übermäßig penibler Sicherheitssoftware
* Gesetzte Corporate-Proxies, über die man in der Firma kommunizieren muss, die aber in einer anderen Umgebung entsprechend nicht erreicht werden.

Agenda

ab 8:40: Registrierung und Begrüßungskaffee

9:40: Beginn
11:00-11:15: Kaffeepause

13:00-14:00: Mittagspause

16:00-16:30: Kaffeepause

ca. 18.30 Uhr: Ende

Vorkenntnisse

Für den Workshop sind keine speziellen Vorkenntnisse nötig.

Lernziele

In unserem Workshop werden wir einen Überblick über das Thema Machine Learning und mögliche Einsatzzwecke geben, Grundlagen vermitteln, einen allgemeinen Projekt-Workflow skizzieren und erklären. Um die Theorie praktisch aufzubereiten, werden wir die Themen mit Python Jupyter Notebooks und Daten aus einem realen Beispiel live erklären und visualisieren.

 

Agenda

ab 8.30 Uhr Registrierung und Begrüßungskaffee

9.30 Uhr Beginn

Intro

Machine Learning

  • Was ist Machine Learning?
  • Der typische ML Workflow
  • Was sind neuronale Netze?
  • Jupyter Lab mit Python
  • Eine Einführung in TensorFlow
  • Keras als High-Level API für TensorFlow

Praxisteil: Deep Learning Modelle mit Keras

  • Datengeneratoren
  • Datasets explorativ analysieren
  • Hold-Out vs. Cross Validation

11.00 - 11.15 Uhr: Kaffeepause

Praxisteil: Deep Learning Modelle mit Keras

  • Feed-Forward Netzarchitektur
  • Convolutional Neural Networks als Deep Learning Ansatz
  • Evaluation und Visualisierung des Modells

12.30 - 13.30 Uhr: Mittagspause

Pipelines mit Luigi

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

Praxisteil: Den Keras-Workflow mit Luigi implementieren

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

15.30 - 15.45 Uhr: Kaffeepause

Praxisteil: TensorFlow-Serving

  • Übersicht über TensorFlow-Serving
  • Ladestrategien konfigurieren
  • Deployment des Modells

ca. 17.00 Uhr: Ende

 

Referenten

 

Fabian Witt Fabian Witt hat seinen Master in Data & Knowledge Engineering an der Otto-von-Guericke-Universität Magdeburg gemacht. In dieser Zeit hat er sich speziell mit Themen wie Maschinellem Lernen, Data Mining und Schwarmintelligenz befasst. Bei der Firma Redheads Ltd. ist er als Technical Lead für den Bereich Data Science verantwortlich.

Jonathan Staufer Jonathan Staufer hat seinen Master in Wirtschaftsinformatik an der Technischen Hochschule Nürnberg absolviert. Im Rahmen seines Studiums hat er sich unter anderem mit den Themen Machine Learning, Big Data und Internationales Softwareengineering befasst. Bei der Firma Redheads Ltd. ist er als Softwareentwickler und Data Scientist Teil des Data-Science-Teams.

Gold-Sponsor

Deloitte.

Silber-Sponsoren

codecentric
ISO-Gruppe

Herbstcampus-Newsletter

Sie möchten über den Herbstcampus
auf dem Laufenden gehalten werden?

 

Anmelden