Dieser Kurs vermittelt den Teilnehmern die folgenden Kompetenzen:<\/p>\n
Für maximale Lernerfolge sollten die Teilnehmer folgende Voraussetzungen erfüllen:<\/p>\n
Was ist maschinelles Lernen und welche Probleme lassen sich damit lösen? Für Google geht es beim maschinellen Lernen mehr um Logik als nur um Daten. In diesem Kurs erfahren Sie, warum dieser Ansatz beim Erstellen einer Pipeline aus ML-Modellen nützlich ist. Wir erläutern die fünf Phasen zur Umsetzung eines Anwendungsfalls für maschinelles Lernen und warum keine dieser Phasen übersprungen werden darf. Wir beenden diese Spezialisierung mit einer Erläuterung der Vorurteile, die durch maschinelles Lernen vergrössert werden können, und wie man sie erkennen kann. <\/p>\n
Ausgehend von einem Überblick über die Geschichte des maschinellen Lernens lernen Sie in diesem Kurs, warum neuronale Netzwerke heutzutage in der Lage sind, eine Vielzahl von Problemen erfolgreich zu bearbeiten. Sie lernen, betreute Lernprobleme einzurichten und mithilfe des Gradientenverfahrens eine gute Lösung zu finden. Dazu gehört das Erstellen von Datasets, die eine Generalisierung zulassen. Der Kurs behandelt Methoden, mit denen Datasets auf wiederholbare Weise erstellt werden können, um Experimente zu ermöglichen.<\/p>\n
Sie erhalten eine Einführung in TensorFlow und die erforderlichen Konzepte und APIs zum Schreiben von verteilten ML-Modellen. Anhand eines TensorFlow-Modells wird erläutert, wie diese Art von Modellen erweitert und leistungsstarke Vorhersagen mit der Cloud Machine Learning Engine erzielt werden können.<\/p>\n
Ein zentraler Aspekt beim Erstellen von effektiven ML-Modellen besteht darin, Rohdaten so in Merkmale zu konvertieren, dass ML in der Lage ist, wichtige Eigenschaften von diesen Daten zu erlernen. Sie lernen, Merkmale in TensorFlow darzustellen und zu codieren. Menschliche Einblicke können anhand von benutzerdefinierten Merkmalstransformationen bei ML-Problemen berücksichtigt werden. In diesem Modul erläutern wir die gängigen Arten von Transformationen und wie sie in grossem Massstab implementiert werden.<\/p>\n
Maschinelles Lernen ist sowohl eine Kunst, die das Wissen um die richtige Mischung aus Parametern zum Erzielen genauer und generalisierter Modelle umfasst, als auch eine Wissenschaft, die sich mit den Theorien zum Lösen bestimmter Arten von ML-Problemen befasst. In diesem Kurs erläutern wir das Konzept der Regularisierung, den Umgang mit Datendichte, neuronale Netzwerke mit mehreren Klassen, wiederverwendbare Einbettungen sowie viele weitere zentrale Konzepte und Grundsätze.<\/p>\n
In diesem Kurs lernen Sie, verteilte Modelle für maschinelles Lernen (ML) zu schreiben, die in TensorFlow skaliert werden, das Training dieser Modelle horizontal zu skalieren und leistungsstarke Vorhersagen zu erstellen. Es wird behandelt, wie Sie Rohdaten so in Merkmale umwandeln, dass ML wichtige Eigenschaften dieser Daten erlernen kann und menschliche Einblicke in das Problem zulässt. Schliesslich lernen Sie, die richtige Mischung aus Parametern zu verwenden, um präzise und generalisierte Modelle zu erstellen, und Sie erhalten eine Einführung in die Theorie zum Lösen bestimmter Arten von ML-Problemen. Auf diese Weise gewinnen Sie ein umfassendes Verständnis von ML. Zuerst beginnen Sie mit dem Erstellen einer auf ML ausgerichteten Strategie und fahren dann mit Modelltraining, Optimierung und Produktentwicklung fort. Hierbei helfen Ihnen praxisorientierte Labs mit der Google Cloud Platform.<\/p>","objective_plain":"Dieser Kurs vermittelt den Teilnehmern die folgenden Kompetenzen:\n\n\n- Gesch\u00e4ftliche Anwendungsf\u00e4lle als ML-Problem definieren\n- ML-Datasets erstellen, die Generalisierungen erm\u00f6glichen\n- ML-Modelle mit TensorFlow implementieren\n- Die Auswirkungen von Parametern des Gradientenverfahrens auf Genauigkeit, Trainingsgeschwindigkeit, Dichte und Generalisierung verstehen\n- Verteilte TensorFlow-Modelle erstellen und operationalisieren\n- Merkmale darstellen und transformieren","essentials_plain":"F\u00fcr maximale Lernerfolge sollten die Teilnehmer folgende Voraussetzungen erf\u00fcllen:\n\n\n- Erfahrung im Coding von Python\n- Grundkenntnisse in Statistik\n- Kenntnisse in SQL und Cloud Computing (hilfreich)","audience_plain":"- Data Engineers und Programmierer, die maschinelles Lernen in die Praxis umsetzen m\u00f6chten\n- Personen, die am Erstellen und Operationalisieren von TensorFlow-Modellen interessiert sind","contents_plain":"- Maschinelles Lernen bei Google\n- Einf\u00fchrung in das maschinelle Lernen\n- Einf\u00fchrung in TensorFlow\n- Feature Engineering\n- Kunst und Wissenschaft des maschinellen Lernens","outline_plain":"Maschinelles Lernen bei Google\n\nWas ist maschinelles Lernen und welche Probleme lassen sich damit l\u00f6sen? F\u00fcr Google geht es beim maschinellen Lernen mehr um Logik als nur um Daten. In diesem Kurs erfahren Sie, warum dieser Ansatz beim Erstellen einer Pipeline aus ML-Modellen n\u00fctzlich ist. Wir erl\u00e4utern die f\u00fcnf Phasen zur Umsetzung eines Anwendungsfalls f\u00fcr maschinelles Lernen und warum keine dieser Phasen \u00fcbersprungen werden darf. Wir beenden diese Spezialisierung mit einer Erl\u00e4uterung der Vorurteile, die durch maschinelles Lernen vergr\u00f6ssert werden k\u00f6nnen, und wie man sie erkennen kann. \n\n\n- Datenstrategie zu ML entwickeln\n- Anwendungsf\u00e4lle untersuchen, die dann aus der ML-Perspektive neu erfunden werden\n- Vorurteile erkennen, die durch maschinelles Lernen vergr\u00f6ssert werden k\u00f6nnen\n- Die Tools und die Umgebung der Google Cloud Platform f\u00fcr maschinelles Lernen nutzen\n- Aus der Erfahrung von Google zur Vermeidung g\u00e4ngiger Problematiken lernen\n- Data Science-Aufgaben in Online-Notebooks zur Zusammenarbeit ausf\u00fchren\n- Vortrainierte ML-Modelle aus Cloud Datalab aufrufen\nEinf\u00fchrung in das maschinelle Lernen\n\nAusgehend von einem \u00dcberblick \u00fcber die Geschichte des maschinellen Lernens lernen Sie in diesem Kurs, warum neuronale Netzwerke heutzutage in der Lage sind, eine Vielzahl von Problemen erfolgreich zu bearbeiten. Sie lernen, betreute Lernprobleme einzurichten und mithilfe des Gradientenverfahrens eine gute L\u00f6sung zu finden. Dazu geh\u00f6rt das Erstellen von Datasets, die eine Generalisierung zulassen. Der Kurs behandelt Methoden, mit denen Datasets auf wiederholbare Weise erstellt werden k\u00f6nnen, um Experimente zu erm\u00f6glichen.\n\n\n- Erkennen, warum Deep Learning derzeit beliebt ist\n- Modelle anhand von Verlustfunktionen und Leistungsmesswerten optimieren und auswerten\n- H\u00e4ufige Probleme rund um maschinelles Lernen minimieren\n- Wiederholbares Training, Auswertungen und Test-Datasets erstellen\nEinf\u00fchrung in TensorFlow\n\nSie erhalten eine Einf\u00fchrung in TensorFlow und die erforderlichen Konzepte und APIs zum Schreiben von verteilten ML-Modellen. Anhand eines TensorFlow-Modells wird erl\u00e4utert, wie diese Art von Modellen erweitert und leistungsstarke Vorhersagen mit der Cloud Machine Learning Engine erzielt werden k\u00f6nnen.\n\n\n- ML-Modelle in TensorFlow erstellen\n- TensorFlow-Bibliotheken zum L\u00f6sen numerischer Probleme verwenden\n- H\u00e4ufige Fehler und Probleme in TensorFlow-Code beheben\n- tf_estimator zum Erstellen, Trainieren und Auswerten eines ML-Modells verwenden\n- ML-Modelle in grossem Massstab mit Cloud ML Engine trainieren, bereitstellen und aus ihnen Produkte entwickeln\nFeature Engineering\n\nEin zentraler Aspekt beim Erstellen von effektiven ML-Modellen besteht darin, Rohdaten so in Merkmale zu konvertieren, dass ML in der Lage ist, wichtige Eigenschaften von diesen Daten zu erlernen. Sie lernen, Merkmale in TensorFlow darzustellen und zu codieren. Menschliche Einblicke k\u00f6nnen anhand von benutzerdefinierten Merkmalstransformationen bei ML-Problemen ber\u00fccksichtigt werden. In diesem Modul erl\u00e4utern wir die g\u00e4ngigen Arten von Transformationen und wie sie in grossem Massstab implementiert werden.\n\n\n- Rohdaten in Merkmalsvektoren umwandeln\n- Neue Merkmalspipelines mit Cloud Dataflow vorverarbeiten und erstellen\n- Merkmalsverkn\u00fcpfungen (Feature Crossing) erstellen, implementieren und die Auswirkungen bewerten\n- TensorFlow-Transformationscode f\u00fcr Feature Engineering schreiben\nKunst und Wissenschaft des maschinellen Lernens\n\nMaschinelles Lernen ist sowohl eine Kunst, die das Wissen um die richtige Mischung aus Parametern zum Erzielen genauer und generalisierter Modelle umfasst, als auch eine Wissenschaft, die sich mit den Theorien zum L\u00f6sen bestimmter Arten von ML-Problemen befasst. In diesem Kurs erl\u00e4utern wir das Konzept der Regularisierung, den Umgang mit Datendichte, neuronale Netzwerke mit mehreren Klassen, wiederverwendbare Einbettungen sowie viele weitere zentrale Konzepte und Grunds\u00e4tze.\n\n\n- Modellleistung durch die Anpassung von Hyperparametern optimieren\n- Mit neuronalen Netzwerken und optimierter Leistung experimentieren\n- ML-Modellmerkmale durch eingebettete Ebenen erweitern\n- Wiederverwendbaren benutzerdefinierten Modellcode mit Custom Estimator erstellen","summary_plain":"In diesem Kurs lernen Sie, verteilte Modelle f\u00fcr maschinelles Lernen (ML) zu schreiben, die in TensorFlow skaliert werden, das Training dieser Modelle horizontal zu skalieren und leistungsstarke Vorhersagen zu erstellen. Es wird behandelt, wie Sie Rohdaten so in Merkmale umwandeln, dass ML wichtige Eigenschaften dieser Daten erlernen kann und menschliche Einblicke in das Problem zul\u00e4sst. Schliesslich lernen Sie, die richtige Mischung aus Parametern zu verwenden, um pr\u00e4zise und generalisierte Modelle zu erstellen, und Sie erhalten eine Einf\u00fchrung in die Theorie zum L\u00f6sen bestimmter Arten von ML-Problemen. Auf diese Weise gewinnen Sie ein umfassendes Verst\u00e4ndnis von ML. Zuerst beginnen Sie mit dem Erstellen einer auf ML ausgerichteten Strategie und fahren dann mit Modelltraining, Optimierung und Produktentwicklung fort. Hierbei helfen Ihnen praxisorientierte Labs mit der Google Cloud Platform.","skill_level":"Intermediate","version":"1","duration":{"unit":"d","value":5,"formatted":"5 Tage"},"pricelist":{"List Price":{"IN":{"country":"IN","currency":"USD","taxrate":12.36,"price":1495},"AT":{"country":"AT","currency":"EUR","taxrate":20,"price":3250},"SG":{"country":"SG","currency":"USD","taxrate":8,"price":2995},"DE":{"country":"DE","currency":"EUR","taxrate":19,"price":3250},"IL":{"country":"IL","currency":"ILS","taxrate":17,"price":11270},"NL":{"country":"NL","currency":"EUR","taxrate":21,"price":2995},"BE":{"country":"BE","currency":"EUR","taxrate":21,"price":2995},"SI":{"country":"SI","currency":"EUR","taxrate":20,"price":3250},"GB":{"country":"GB","currency":"GBP","taxrate":20,"price":3300},"FR":{"country":"FR","currency":"EUR","taxrate":19.6,"price":3770},"CH":{"country":"CH","currency":"CHF","taxrate":8.1,"price":3250}}},"lastchanged":"2025-09-30T15:07:53+02:00","parenturl":"https:\/\/portal.flane.ch\/swisscom\/json-courses","nexturl_course_schedule":"https:\/\/portal.flane.ch\/swisscom\/json-course-schedule\/20024","source_lang":"de","source":"https:\/\/portal.flane.ch\/swisscom\/json-course\/google-mltf"}}