In dieser Weiterbildung erwerben Sie fundierte Kenntnisse im Bereich des maschinellen Lernens und vertiefen Ihr Verständnis für relationale Datenbanksysteme mit SQL. Sie lernen, Algorithmen des maschinellen Lernens zu implementieren und Daten effizient zu verwalten. Sie setzen sich mit den Grundlagen des maschinellen Lernens auseinander und erlernen die Anwendung verschiedener Algorithmen zur Datenanalyse. Zudem erwerben Sie Fähigkeiten im Umgang mit SQL, um relationale Datenbanken zu erstellen und zu verwalten. Ein weiterer Schwerpunkt liegt auf der Integration von maschinellem Lernen in bestehende Datenbanksysteme. Durch praxisorientierte Übungen und Projekte wenden Sie das erlernte Wissen an realen Beispielen an. Sie entwickeln eigene Modelle des maschinellen Lernens und optimieren Datenbankabfragen für spezifische Anwendungsfälle. Nach Abschluss der Weiterbildung sind Sie in der Lage, maschinelles Lernen effektiv in Datenbanksysteme zu integrieren und komplexe Datenanalysen durchzuführen.

Einführung und Grundlagen des Machine Learning
  • Kenntnisse im Bereich maschinelles Lernen erwerben
  • Arten des Machine Learning
  • Konzepte der Datenvorbereitung für maschinelles Lernen
  • Training und Auswahl eines Vorhersagemodells
  • Bewertung von Modellen im Kontext maschinellen Lernens

Erweiterte Techniken und Methoden
  • Vertiefung von Scikit-Learn-Anwendungen im maschinellen Lernen
  • Perzeptron-Algorithmen für Klassifikation
  • Gradientenabstiegsverfahren mit Fokus auf maschinelles Lernen
  • Random Forests und Entscheidungsbäume
  • Modellbewertung und Hyperparameter-Tuning im Bereich maschinelles Lernen

Rekurrente neuronale Netze und Convolutional Neural Networks
  • Ensemble Learning (z. B. Bagging und Boosting) im maschinellen Lernen
  • Einführung in relationale Datenbanken
  • Datenbankmodellierung und Namenskonventionen mit Bezug zu maschinellem Lernen
  • Transaktionen
  • Datentypen und Keys unter Berücksichtigung maschinellen Lernens

Datenbanksysteme mit SQL
  • Normalisierung und Normalformen bei Anwendungen im maschinellen Lernen
  • Vertiefung von Keys mit Übungen
  • Indizes zur Unterstützung von maschinellem Lernen
  • Physische Modellierung und Views
  • SELECT, JOIN und GROUP BY im Zusammenhang mit maschinellem Lernen