Ziele der Weiterbildung

Im Fokus der Weiterbildung Machine Learning Engineering Specialisation steht die Vermittlung von Kenntnissen und Fähigkeiten im Bereich der Datenwissenschaften und des maschinellen Lernens. Die Inhalte umfassen grundlegende und fortgeschrittene Techniken der Datenanalyse, Programmierung mit Python sowie den Einsatz von Big-Data-Technologien. Weiterführende Mathematik und Statistik bilden die Basis für das Verständnis komplexer Algorithmen im Machine Learning (ML) und Deep Learning. Zudem werden Aspekte der Softwareentwicklung für Datenwissenschaften und Data Engineering behandelt, ergänzt durch praktische Projekte und Fallstudien. IT-Sicherheit und Datenschutz runden das Programm ab und gewährleisten ein umfassendes Verständnis der relevanten Themen.


Inhalte der Weiterbildung

Data Science
  • Einführung in die Data Science
  • Anwendungsfälle und Leistungsbewertung
  • Vorbehandlung von Daten
  • Verarbeitung von Daten
  • Ausgewählte mathematische Techniken
  • Ausgewählte Techniken künstlicher Intelligenz
Programmieren mit Python
  • Einführung in die Programmiersprache Python
  • Objektorientierte Konzepte in Python
  • Behandlung von Ausnahmen und Fehlern
  • Das Ökosystem der Python-Bibliothek
  • Umgebungen und Paketmanagement
  • Dokumentation und Prüfung
  • Versionskontrolle 
Big-Data-Technologien
  • Datentypen und Datenquellen
  • Datenbanken
  • Moderne Speicher-Frameworks
  • Datenformate
  • Verteilte Datenverarbeitung
Software Engineering für Datenwissenschaften
  • Agile Projektleitung
  • DevOps
  • Softwareentwicklung
  • API
  • Vom Modell zur Produktion
Weiterführende Mathematik
  • Kalkül
  • Integrale Transformationen
  • Vektoralgebra
  • Vektorrechnung
  • Matrizen und Vektorräume
  • Informationstheorie
Weiterführende Statistik
  • Einführung in die Statistik
  • Wichtige Wahrscheinlichkeitsverteilungen und deren Anwendungen
  • Bayessche Statistik
  • Beschreibende Statistiken
  • Datenvisualisierung
  • Parameterschätzung
  • Hypothesentests
Machine Learning
  • Beaufsichtigte, unbeaufsichtigte und verstärkte Lernansätze
  • Regression und Klassifizierung von Lernproblemen
  • Abschätzung funktionaler Abhängigkeiten mittels Regressionsverfahren
  • Daten-Clustering
  • Unterstützt Vektor-Maschinen, große Margenklassifizierung
  • Lernen in Entscheidungsbäumen
Deep Learning
  • Einführung in neuronale Netze und Tiefenverdienen
  • Netzwerkarchitekturen
  • Neuronales Netzwerktraining
  • Alternative Trainingsmethoden
  • Weitere Netzwerkarchitekturen
Data Engineering
  • Grundlagen der Datentechnik
  • Paradigmen für die Datenverarbeitung im Maßstab 1:1
  • Überblick über Data Governance, Sicherheit und Schutz von Daten
  • Gängige Cloud-Plattformen
  • DataOps-Ansatz
Projekt: Data Engineering
  • Wissenstransfer und Anwendung auf praktische Probleme
  • Implementierung eines Dateninfrastruktur-Bausteins
IT-Sicherheit und Datenschutz
  • Datenschutz und Privatsphäre
  • Bausteine der IT-Sicherheit
  • IT-Sicherheitsmanagement
  • Kryptographiekonzepte
  • Kryptographie-Anwendungen
Fallstudie: Model Engineering
  • Datenwissenschaftliche Methoden
  • Datenqualität
  • Feature-Engineering
  • Feature-Auswahl
  • Aufbau eines prädiktiven Modells
  • Vermeidung gängiger Irrtümer