Machine Learning Engineering Specialisation

Kursüberblick

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 Verme…

Nächste Termine

• 2026-10-22T22:00:00.000Z · 2027-10-22T22:00:00.000Z · Duisburg · Blended Learning
• 2026-10-22T22:00:00.000Z · 2027-10-22T22:00:00.000Z · Karlsruhe, Baden · Blended Learning
• 2026-10-22T22:00:00.000Z · 2027-10-22T22:00:00.000Z · München · Blended Learning
• 2026-10-22T22:00:00.000Z · 2027-10-22T22:00:00.000Z · Mainz am Rhein · Blended Learning
• 2026-10-22T22:00:00.000Z · 2027-10-22T22:00:00.000Z · Köln · Blended Learning