CertNexus Certified Artificial Intelligence (AI) Practitioner

In diesem Kurs entwickeln Sie KI-Lösungen für geschäftliche Fragestellungen. Sie werden:

• Ein gegebenes Geschäftsproblem mit Hilfe von KI und ML lösen.
• Daten für den Einsatz im maschinellen Lernen vorbereiten.
• Ein Machine-Learning-Modell trainieren, bewerten und optimieren.
• Lineare Regressionsmodelle erstellen.
• Prognosemodelle entwickeln.
• Klassifikationsmodelle mit logistischer Regression und k-nächste Nachbarn erstellen.
• Cluster-Modelle entwickeln.
• Klassifikations- und Regressionsmodelle mit Entscheidungsbäumen und Random Forests erstellen.
• Klassifikations- und Regressionsmodelle mit Support Vector Machines (SVMs) entwickeln.
• Künstliche neuronale Netze für Deep Learning aufbauen.
• Machine-Learning-Modelle durch automatisierte Prozesse in Betrieb nehmen.
• ML-Pipelines und Modelle im laufenden Betrieb warten.

Die in diesem Kurs behandelten Kompetenzen vereinen vier Bereiche – Softwareentwicklung, IT-Betrieb, angewandte Mathematik und Statistik sowie Business Analysis. Die Zielgruppe dieses Kurses sind Personen, die ihr Wissen über den Data-Science-Prozess erweitern möchten, um KI-Systeme – insbesondere Machine-Learning-Modelle – zur Lösung geschäftlicher Herausforderungen einzusetzen.

Die typischen Teilnehmenden sind daher Data-Science-Praktiker, Softwareentwickler oder Business-Analysten, die ihr Verständnis für Machine-Learning-Algorithmen vertiefen möchten, um intelligente, entscheidungsunterstützende Produkte zu entwickeln, die einen Mehrwert für das Unternehmen schaffen.

Teilnehmende dieses Kurses sollten über mehrjährige Erfahrung mit IT-Technologien verfügen, einschließlich grundlegender Programmierkenntnisse.

Der Kurs dient zudem zur Vorbereitung auf die Zertifizierung CertNexus® Certified Artificial Intelligence (AI) Practitioner (Prüfung AIP-210).

Um in diesem Kurs erfolgreich zu sein, sollten Sie mit den grundlegenden Konzepten der Data Science vertraut sein, darunter:

• Der gesamte Data-Science- und Machine-Learning-Prozess: von der Problemformulierung über die Datenerfassung und -vorbereitung, Datenanalyse, Feature Engineering und Preprocessing bis hin zum Training, Tuning, der Evaluation und Finalisierung eines Modells.
• Statistische Konzepte wie Stichprobenauswahl, Hypothesentests, Wahrscheinlichkeitsverteilungen, Zufälligkeit usw.
• Kennzahlen wie Mittelwert, Median, Modus, Interquartilsabstand (IQR), Standardabweichung, Schiefe usw.
• Grafiken, Plots, Diagramme und weitere Methoden zur visuellen Datenanalyse.