Machine Learning für Informatiker

Kursüberblick

Aus informatischer Perspektive ist Machine Learning zunächst ein Optimierungsproblem, das auf Datenstrukturen, Algorithmen und Softwarearchitektur aufbaut. Wer Systeme entwickelt oder wartet, benötigt ein Verständnis dafür, wie Modelle intern arbeiten und in bestehende Anwendungen eingebunden werden. Der Kurs betrachtet Machine Learning aus der Sicht der Softwareentwicklung. Kursinhalt 1. Algorithmische Grundlagen des Lernens Optimierungsverfahren wie Gradientenabstieg nachvollziehen Komplexität und Skalierbarkeit von Lernalgorithmen einschätzen Zusammenhang zwischen Modellstruktur und Rechenaufwand verstehen 2. Datenstrukturen für maschinelles Lernen Effiziente Repräsentation von Merkmalsvektoren und Matrizen Umgang mit dünn besetzten und hochdimensionalen Daten Speicher- und Laufzeitanforderungen unterschiedlicher Modelle 3. Softwarearchitektur für ML-Systeme Modularer Aufbau von Trainings- und Inferenzkomponenten Versionierung von Modellen und Trainingsdaten Integration von Modellen in bestehende Softwarearchitekturen 4. Qualitätssicherung von Modellcode Testkonzepte für datengetriebene Systeme Reproduzierbarkeit von Trainingsläufen sicherstellen Umgang mit Modelldrift im laufenden Betrieb Berufliche Relevanz Informatiker gewinnen ein technisches Verständnis für den Aufbau lernender Systeme. Architekturwissen erleichtert die Integration von Modellen in Softwareprodukte. Qualitätssicherung wird auf datengetriebene Komponenten übertragen. Die Kenntnisse unterstützen die Zusammenarbeit zwischen Entwicklung und Data Science.

Nächste Termine

• 2026-11-08T23:00:00.000Z · 2027-07-10T22:00:00.000Z · Berlin · Hybrid Learning
• 2026-11-08T23:00:00.000Z · 2027-07-10T22:00:00.000Z · Frankfurt am Main · Hybrid Learning
• 2026-11-08T23:00:00.000Z · 2027-07-10T22:00:00.000Z · Stuttgart · Hybrid Learning
• 2026-11-08T23:00:00.000Z · 2027-07-10T22:00:00.000Z · Essen, Ruhr · Hybrid Learning
• 2026-11-08T23:00:00.000Z · 2027-07-10T22:00:00.000Z · Köln · Hybrid Learning