* Grundkenntnisse in Python und Jupyter
* Grundkenntnisse in Machine Learning
* Praktische Erfahrungen in den Bereichen Datenvisualisierung und Feature Engineering sind hilfreich
* Besonderes mathematisches Know-how ist nicht erforderlich
* Welchen Nutzen hat die Struktur von Daten?
* Kennenlernen verschiedener Manifold-Learning-Verfahren
* Einsatzmöglichkeiten in Data-Science- und Machine-Learning-Projekten
* Hands-on-Anwendungen mit Fokus auf Visualisierung und Automated Feature Engineering
* Viele praktische Experimente, Tipps und Tricks für den Data-Science-Alltag und ein ganz kleiner Blick in den Werkzeugkasten der höheren Mathematik und Statistik
Kaffeepause
Falls Sie ein Firmengerät Ihrer Firma verwenden, überprüfen Sie bitte kurz, ob sie lokale Administratorrechte besitzen und Internetverbindungen außerhalb des Firmennetzwerks möglich sind (falls es voreingestellte Corporate Proxys gibt).
Stefan Kühn beschäftigt sich seit vielen Jahren mit Data Science, Machine Learning und mathematischer Grundlagenforschung. Aktuell arbeitet er als Head of Data Science & Data Engineering bei Tom Tailor.
Sie möchten über die ML Essentials
auf dem Laufenden gehalten werden?
Dann abonnieren Sie den Newsletter der zugehörigen Konferenz Minds Mastering Machines (M3).