Dieser Kurs zielt darauf ab, Grundkenntnisse zu zwei wichtigen Themen im KI-Bereich zu vermitteln: linguistische Datenverarbeitung (NLP) und Zeitreihenvorhersage. Beide Technologien haben ihre Effizienz in einer Vielzahl von Anwendungen in unterschiedlichen Bereichen wie Marketing, Kundenservice, Sprachübersetzung, Wettervorhersage und Wirtschaftsprognosen unter Beweis gestellt. Im Teil zur linguistischen Datenverarbeitung werden verschiedene Methoden wie z.B. Stimmungsanalyse und Themenmodellierung besprochen, während im zweiten Teil die wichtigsten Zeitreihenvorhersagealgorithmen wie z.B. exponentielles Smoothing und ARIMA-Modelle vorgestellt werden. Alle diskutierten Methoden werden mit entsprechenden Abbildungen und Diagrammen erläutert, sowie einem praktischen Beispiel, das Ihnen zeigt, wie Sie diese Methoden in verschiedenen Bereichen anwenden können.
Flexible online course: Combination of self-study and live seminars (HLRS Supercomputing Academy) Organizer: HLRS, University of Stuttgart, Germany
25. Sep 2023
27. Okt 2023
Online (flexible)
Deutsch
Basis
Daten in HPC / Deep Learning / Maschinelles Lernen
Supercomputing-Akademie
Künstliche Intelligenz
Deep Learning
Maschinelles Lernen
Python
Zurück zur Liste
Dieser Kurs ist Kostenlos. Eine Beteiligung an Umfragen während des Kuses ist jedoch verpflichtend.
• Linguistische Datenverarbeitung 1: Einführung, Spracherkennung, Textgenerierung mit Markov-Chains und Themenmodellierung. • Linguistische Datenverarbeitung 2: Stimmungsanalyse, Semantische Suche, Textzusammenfassung. • Linguistische Datenverarbeitung 3: Sequenzvorhersage, Chatbots, Transformers. • Zeitreihen 1: Einführung, Long Short Term Memory (LSTM), Exponentielle Glättung. • Zeitreihen 2: Autoregressiver integrierter gleitender Durchschnitt (ARIMA), Trigonometric seasonality, Box-Cox transformation, ARMA errors, Trend and Seasonal components (TBATS), Multivariate Zeitreihenvorhersage.
• Sie erhalten Grundkenntnisse der linguistischen Datenverarbeitung und der Zeitreihenvorhersage. • Sie verstehen die Terminologie beider Themenbereiche. • Sie verstehen die Methodik verschiedener NLP- und Zeitreihen-Prognosemethoden und Algorithmen mit praktischen Übungen. • Sie lernen Methoden zur Datenvorverarbeitung, Datenbereinigung und Datenvorbereitung kennen. • Sie lernen, wie Sie die entsprechenden Python-Module zur Modellbildung nutzen. • Sie lernen verschiedene Methoden und Werkzeuge zur Interpretation und Visualisierung der Ausgaben der besprochenen Modelle kennen. • Sie vertiefen Ihr Verständnis verschiedener Modelle und Algorithmen anhand von Aufgaben und Quizfragen.
Layal Ali High-Performance Computing Center Stuttgart (HLRS) Universität Stuttgart Nobelstraße 19, 70569 Stuttgart
Dieser Kurs richtet sich an die folgenden Gruppen, ist jedoch nicht auf diese beschränkt: • Postgraduierte Nicht-Informatiker (bspw. Ingenieure) • Mitarbeiter in Prognosebereichen wie Finanzprognosen und Geschäftsprognosen usw. • Mitarbeiter in Forschungs- und Geschäftsfeldern, die große Mengen an Textdaten oder Zeitreihen haben. • KI-, NLP- und Zeitreihen-Interessierte.
• Grundkenntnisse der Python-Programmierung. • Grundkenntnisse im maschinellen Lernen. • Vorkenntnisse in Mathematik.
• Stabile Internetverbindung, damit Sie auf die Lernmaterialien zugreifen und diese herunterladen können. • Zugang zu Videokonferenz-Tool mit Kamera und Mikrofon zur Teilnahme an den regulären Seminaren. • Lokal installiertes Python und Jupyter-Notebook: Installing the classic Jupyter Notebook interface — Jupyter Documentation 4.1.1 alpha documentation
Der Kurs gliedert sich in fünf Lerneinheiten à 10 Stunden. Die Teilnehmer können die einzelnen Lerninhalte in ihrem eigenen Tempo und nach ihrem eigenen Zeitplan erlernen. Darüber hinaus gibt es in diesem Kurs feste Termine für virtuelle Seminare und die Prüfung. Insgesamt dauert der Kurs bis zu 50 Lernstunden.
Das Höchstleistungsrechenzentrum stellt den Teilnehmern am Ende des Kurses eine Teilnahmebestätigung aus, wenn sie alle Seminare besucht haben, sowie ein Zertifikat, wenn sie die Prüfung bestanden haben. Der Teilnehmer ist zur Prüfung zugelassen, wenn er mindestens 50 % der Aufgaben bestanden hat.
November 04 - Dezember 13, 2024
März 10 - 12, 2025
Online
