Oliver picks up on his poster a short overview of the semantic embedding of data on the basis of example airline data. How can the data be embedded and how does it support machine learning? You will also find a link to the notebook that generates these embeddings and visualizations.
Hands-On Einführung in Machine Learning
Peter Götz & Oliver Zeigermann
Workshop
Dienstag, 02. Juli 2019, 9 – 17 Uhr
München
Neuronale Netze sind Software 2.0. Diese Meinung verbreitet jedenfalls Machine Learning Star Andrej Karpathy, Head of AI bei Tesla. Wir beschäftigen uns in diesem Workshop mit dieser These und wie die klassische Software-Entwicklung durch diesen Ansatz ergänzt wird.
Passend dazu lernst du an diesem interaktiven Workshop, wo uns als Software-Entwicklern Machine Learning begegnet und wo sich der Ansatz von
Machine Learning grundsätzlich von dem der Software-Entwicklung unterscheidet und wo es Parallelen gibt.
Anhand eines praktischen Beispiels werden wir dabei Machine Learning als Alternative zu klassischer Business-Logik erleben. Zum Abschluss werden wir diskutieren, wie man einen solchen Ansatz im eigenen Unternehmen oder Projekt integrieren kann und welche Anwendungsfälle sinnvoll sind.
Dieser Workshop eignet sich für jeden, der sich mit Software-Entwicklung beschäftigt und setzt kein Wissen über Machine Learning voraus.
The idea of machine learning is to teach a system from given data rather than to program it from scratch. It is best suited when the problem at hand is hard to specify, but you have a lot of example solutions and solving the problem can tolerate some error or uncertainty. It can thus be a great addition to the skills of any software developer. Once you understand what machine learning can do you will see a lot of potential in the data you encounter every day.
In this hands-on lab you will get a good understanding of how machine learning is different from classic software development and make first experiments using Scikit-learn and TensorFlow. There will be exercises on paper and in code using Python, but no previous knowledge of Python or machine learning is required.
Business Logic has always been very tedious to write and maintain at best and feels random and ad-hoc ad worst. Often we express large and growing sets of rules using nested if statements or similar constructs. Both form and content are often questionable, though. Could it be there are better solutions?
In this talk we will discuss when Machine Learning might be the better option and which tools you would use. You will see actual code based on a real world example.
Im Januar hat Oliver Zeigermann beim Softwarearchitektur-Meetup in Hamburg ein Heimspiel.
Neuronale Netze sind Software 2.0. Diese Meinung verbreitet jedenfalls Machine Learning Star Andrej Karpathy, Head of AI bei Tesla. Wir beschäftigen uns in diesem Workshop mit dieser These und wie die klassische Software-Entwicklung durch diesen Ansatz ergänzt wird.
Passend dazu lernst du an diesem interaktiven Abend, wo uns als Software-Architekten Machine Learning begegnet und wo sich der Ansatz vonMachine Learning grundsätzlich von dem der Software-Entwicklung unterscheidet und wo es Parallelen gibt.
Anhand eines praktischen Beispiels werden wir dabei Machine Learning als Alternative zu klassischer Business-Logik erleben. Dies wird durch einige Übungen auf Papier unterstützt.
Dieser Workshop eignet sich für jeden, der sich mit Software-Entwicklung beschäftigt und setzt kein Wissen über Machine Learning voraus.
Machine Learning: Das Ende der Business-Logik?
Moderation & Speaker: Stefan Toth & Oliver Zeigermann
Veranstaltung beim Softwarearchitektur Meetup Wien
12. Dezember 2018, ab 18:00 Uhr
Impact Hub, Vienna, Lindengasse 56 in Wien
Machine Learning Star Andrej Karpathy, Head of AI bei Tesla, beschreibt Neuronale Netzwerke als Software 2.0. Also die neue Art Software zu entwickeln, die die klassische Art nicht ersetzen, sondern ergänzen wird.
Passend dazu zeigt Olive in diesem Talk, wo uns als Software-Entwickler Machine Learning begegnet, wo sich der Ansatz von Machine Learning grundsätzlich von dem der Software-Entwicklung unterscheidet und wo es Parallelen gibt. Wir werden dabei die unterschiedlichen Arten des Machine Learnings diskutieren, was diese auszeichnet, wie sie sich unterscheiden und welche Anwendungspotentiale in ihnen stecken.
Anhand eines praktischen Beispiels werden wir dabei ML als Alternative zu klassischer Business-Logik erleben und auch bereits erste Werkzeuge kennen lernen, mit denen wir Machine Learning implementieren können.
Dieser Talk eignet sich für jeden, der sich mit Software-Entwicklung beschäftigt und setzt kein Wissen über Machine Learning voraus.
With an emphasis on simplicity, Deep Learning Crash Course teaches you to build machine learning models, the part of a system that makes classifications and predictions. You’ll also learn how to apply algorithms that train the model to improve based on the data it encounters. Your video guide Oliver Zeigermann launches your learning with a spotlight on how deep learning is different from other programming and data analysis techniques. You’ll work through a complete project and learn to use the most popular Python-based deep learning tools, including scikit-learn, Keras, and TensorFlow
All the tools are free and open source. The incredible machine learning library Keras has a minimalistic, instantly-comfortable API that handles most of the math, so you’ll get the maximum return on your time. As you work your way through this practical video course, you’ll gain skills like training a neural network, creating and executing TensorFlow code, encoding your data, and making your model more general. By the end, you’ll know how to evaluate your results, debug and improve your model, and deploy it for production.
Prerequisites: You need beginner to intermediate Python programming skills and some experience working with organized data files, such as databases or spreadsheets.
Deep Learning Crash Course (Manning.com)
follow us on Twitter – @embarced
Anwendungsmöglichkeiten von Machine Learning
Interview mit Oliver Zeigermann
online im ML-Summit Blog
erschienen am 24. Juli 2018
Oliver Zeigermann, Programm Chair und Trainer auf dem ML Summit, hat im Vorfeld des Events mit dem Entwickler Magazin über die vielfältigen Möglichkeiten zum Einsatz von Machine Learning und Deep Learning gesprochen. In dem Interview zeigt Oliver auf, welche Chancen ML auch für laufende Projekte bietet und womit ein Einstieg in die Arbeit mit Deep Learning möglich ist.
Lesen Sie das ganze Interview und erhalten Sie einen Vorgeschmack auf das große 2-in-1-Trainingsevent vom 1. bis 2. Oktober in Berlin.
Am 1. und 2. Oktober 2018 ist Oliver Zeigermann mit verschiedenen Workshops und der Keynote bei dem Trainingsevent für Machine Learning Development & Business Innovation – dem ML Summit – in Berlin dabei!
Machine Learning ist im Begriff viele Bereiche des Arbeitslebens zu transformieren. Mitunter begleitet von unrealistischen Versprechen und Befürchtungen. Ebenso gibt es aber auch viele – zum Teil weniger offensichtliche und bahnbrechende – Anwendungen, in denen Machine Learning eine große Hilfe sein kann.
Im ersten Teil des Workshops erläutert Oliver, welche Arten von Machine Learning es gibt und wie insbesondere Supervised Machine Learning funktioniert. Dabei wird schon klar, dass ohne passende Daten kein Machine Learning betrieben werden kann. Im zweiten Teil gibt Oliver Anregungen zu Anwendungsbereichen von Machine Learning und eine Anleitung, wie ihr eigene Anwendungsgebiete in euren Arbeitsbereichen findet. Zudem besteht hier die Möglichkeiten, Eure Ansätze zu entwickeln und daran zu arbeiten.
Man erzählt sich tolle Dinge von Deep Learning und auch TensorFlow. Die spannendsten Neuerungen basieren auf diesem Ansatz und dieser Software. Oliver erläutert in diesem Workshops, wie Neuronale Netzwerke eigentlich funktionieren und was ihr mit ihnen tun könnt. Wir werden dabei eigene Netzwerke für ein Klassifikationsproblem aufbauen und trainieren. Im zweiten Teil beschäftigen wir uns mit den besonderen Netzwerkarten für Bilderkennung (CNNs) und Textklassifikation/Sequenzen (RNNs). Dieser Teil wird durch Notebooks mit TensorFlow und Keras Code unterstützt.
Vorausgesetzt wird grundlegendes Wissen über Machine Learning, welches ihr z.B. in meinem Workshop „Machine Learning auch für Dein Projekt!“ (s.o.) am Vormittag erwerben könnt. Eine Vorinstallation auf den Rechnern ist nicht erforderlich, es genügt ein Laptop mit einem aktuellen Browser (bevorzugt Chrome).
Asimov’s Drei Gesetze der Robotik gelten als Gemeingut der Science-Fiction. Oft verfilmt oder durch die Boulevardpresse aufgegriffen, wird eine mögliche Machtübernahme durch Roboter prophezeit – Roboter entwickeln ein Bewusstsein und sollen zu dem Schluss kommen, dass eine Welt ohne Menschen ihrem Optimierungsziel besser entsprechen würde.
Jenseits solcher reißerischer Meldungen sprechen wir in diesem Speaker-Panel über die Möglichkeiten, wie Machine Learning und KI eine positive Wirkung auf unsere Gesellschaft haben können, aber auch worauf wir achten müssen, um unerwünschte Effekte zu vermeiden.
Machine Learning hat das Potential, die Art und Weise wie Software funktioniert oder die Art wie Entscheidungen getroffen werden, zu revolutionieren. Daten von guter Qualität und Quantität sind dabei der Schlüssel zum Erfolg: Sitzt ihr vielleicht sogar auf einer Goldgrube, ohne es zu ahnen?
Übrigens – bei der Onlineanmeldung zum ML-Summit und zum Python-Summit erhalten Sie mit unserem Rabattcode „embarc15-MLsum“ zusätzlich zum Frühbucher- und Kollegenrabatt jeweils 15 Prozent Rabatt!
Machine Learning can be extremely helpful, but at the same time very hard to get into. So if you are either struggling to understand it yourself or want to help others understanding it, visualizations can be extremely helpful.
We embrace this idea and by looking at plots of a single, simple and intuitive data set we will explain the core concepts and Learning strategies.
The concepts include the difference between programming and machine learning, validation, and over- and underfitting. We will also cover k-nearest neighbors and neural networks.
follow us on Twitter – @embarced
Eine Einführung mit Python, Pandas und Scikit-Learn
Dabei werden folgende Themen behandelt und mit praktischen Beispielen illustriert:
Anhand von konkreten Datensätzen lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung. Die Codebeispiele basieren auf Python und den Bibliotheken Scikit-Learn, Pandas, NumPy, TensorFlow und Keras. Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen.
Neue Kommentare