Inhalt
Zielgruppe:
Arbeitssuchende, die sich weiterbilden möchten, um ihre Fähigkeiten zu erweitern und ihre Beschäftigungsfähigkeit auf dem hart umkämpften Arbeitsmarkt zu verbessern.
Arbeitssuchende, die ihre Chancen auf dem Arbeitsmarkt verbessern oder sich durch den Erwerb praktischer Kenntnisse für neue Aufgaben qualifizieren möchten.
Quereinsteiger, die sich in diesem Bereich neu orientieren und ihre Karrierechancen verbessern oder ihre Karriere durch den Erwerb spezialisierter Fähigkeiten vorantreiben möchten.
Menschen, die in Unternehmen, Agenturen und Beratungsfirmen arbeiten oder arbeiten wollen, die in diesem Bereich tätig sind
Menschen, die sich in diesem Bereich spezialisieren und sich solides praktisches Wissen aneignen wollen, um benutzerfreundliche, barrierefreie und effektive digitale Lösungen zu entwickeln.
Kursinhalt:
Maschinelles Lernen für Dateningenieure
Die Teilnehmer erhalten ein umfassendes Verständnis des maschinellen Lernens (ML) im Bereich Dateningenieurwesen und lernen Schlüsselkonzepte, grundlegende Tools und bewährte Verfahren für die Integration von ML-Modellen in Datenpipelines kennen. Sie befassen sich mit Datenvorverarbeitung, Feature-Engineering, Echtzeit-ML-Bereitstellung und verteiltem Rechnen, um skalierbare und automatisierte Arbeitsabläufe für maschinelles Lernen zu erstellen. Durch praktische Projekte entwickeln sie die Fähigkeiten, die für die effiziente Verarbeitung strukturierter und unstrukturierter Daten in modernen Datenökosystemen erforderlich sind.
Einführung in maschinelles Lernen für Dateningenieure
Verstehen Sie die Rolle von ML im Daten-Engineering und seine Auswirkungen auf die datengesteuerte Entscheidungsfindung.
Lernen Sie überwachte und unüberwachte Lerntechniken für die Verarbeitung großer Datenmengen kennen.
Erkunden Sie die Grundlagen der Datentransformation, Modellauswahl und -bewertung.
Datenaufbereitung und Feature-Engineering
Führen Sie die Datenbereinigung, -normalisierung und -transformation für ML-Modelle durch.
Entwickeln Sie Funktionen aus strukturierten und unstrukturierten Datensätzen.
Optimierung von Techniken zur Datenstichprobenahme, -erweiterung und -dimensionalitätsreduktion.
ML-Modellbereitstellung in Datenpipelines
Implementierung von Modellen für maschinelles Lernen in ETL- und Datenverarbeitungs-Workflows.
Verwendung von TensorFlow, scikit-learn und PyTorch für die Modellentwicklung.
Automatisierung von Echtzeit-Modellvorhersagen und -Inferenzen in Big-Data-Anwendungen.
Verteiltes maschinelles Lernen mit Spark MLlib
Verständnis von Apache Spark MLlib für skalierbare ML-Lösungen.
Trainieren und implementieren Sie ML-Modelle in einer verteilten Computerumgebung.
Optimieren Sie Fehlertoleranz und Leistung in umfangreichen ML-Workflows.
Echtzeit-Datenverarbeitung und ML-Integration
Implementieren Sie die Echtzeit-Datenerfassung mit Kafka und Spark Streaming.
Setzen Sie ereignisgesteuerte ML-Modelle für dynamische Entscheidungsfindung ein.
Optimieren Sie ML-Vorhersagen mit geringer Latenz für Echtzeit-Analysen.
Fortgeschrittene ML-Techniken für Data Engineering
Erkunden Sie probabilistische Datenstrukturen wie Bloom-Filter für eine effiziente Datenverarbeitung.
Arbeiten Sie mit grafischen Datenmodellen für die Netzwerkanalyse.
Implementieren Sie die Erkennung von Anomalien und prädiktive Modellierung in großen Datensystemen.
Praktisches maschinelles Lernen für Data-Engineering-Projekte
Erstellen Sie End-to-End-ML-Pipelines mit Big-Data-Tools.
Entwickeln Sie Vorhersagemodelle für strukturierte und unstrukturierte Daten.
Optimieren Sie die Leistung und Skalierbarkeit in maschinellen Lern-Workflows.
- Förderungsart
- Bildungsgutschein (nach AZAV, Akkreditierungs- und Zulassungsverordnung Arbeitsförderung) i
- Unterrichtsart
- Online-Seminar