- Vertiefung in grundlegende und fortgeschrittene Techniken der Datenanalyse und Datenwissenschaft
- Erlernen von Fähigkeiten in Data Science, maschinellem Lernen, Deep Learning, Python und Datenvisualisierung
Integration und Nutzung von Echtzeit-ML-Systemen
- Verständnis der Rolle von Echtzeit-Datenverarbeitung in AI und maschinelles Lernen
- Erkundung der Architektur und Tools, einschließlich Apache Kafka, Apache Spark und AWS, für Echtzeit
- Einführung in die Streaming-Verarbeitung und ihre Unterscheidung von Batch-Processing in der Datenwissenschaft
Realisierung von Datenpipelines für Echtzeitanalyse
- Gestaltung von Echtzeit-Datenpipelines für die Aufnahme, Verarbeitung und Untersuchung von Streaming-Daten
- Einsatz von Python und Kafka für Echtzeit-Datenerfassung und -vorverarbeitung
- Sicherung der Datenkonsistenz und -integrität in Echtzeitsystemen via Apache Kafka und Flink
Umsetzung von Maschinenlerntechniken in Echtzeit
- Einbettung von Machine-Learning-Modellen in Echtzeitanwendungen für Anwendungen wie Betrugserkennung
- Nutzung von Scikit-learn und TensorFlow für Echtzeitvorhersagemodelle
- Training von Modellen mit historischen Daten zur Anwendung in Echtzeitumgebungen
Überwachung und Verbesserung von Echtzeit-ML-Modellen
- Einrichtung von Monitoring-Tools zur Kontrolle der Modellleistung in Produktionsumgebungen
- Optimierungstechniken für Echtzeitvorhersagen, einschließlich Modellaktualisierungen
- Nutzung von AWS und Google Cloud für skalierbare Bereitstellungen von Machine-Learning-Modellen