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 Datenverarbeitung: Maschinelles Lernen und SQL
Die Teilnehmer werden Fachwissen in Maschinellem Lernen (ML) und SQL für Datenverarbeitung entwickeln, wobei der Schwerpunkt auf der Integration von ML-Modellen in Datenpipelines, der Optimierung relationaler Datenbanken und der Automatisierung von Arbeitsabläufen liegt. Sie werden sich mit der Verarbeitung großer Datenmengen, Echtzeit-ML-Anwendungen und SQL-gesteuerten Datentransformationen befassen, um skalierbare, leistungsstarke Datenlösungen zu erstellen.

Einführung in Maschinelles Lernen und SQL für Datenverarbeitung
Verstehen Sie die Rolle von ML und SQL im modernen Data Engineering.
Lernen Sie Big-Data-Konzepte, Datenpipelines und ML-gesteuerte Automatisierung kennen.
Erkunden Sie relationale und verteilte Datenbanken für die Verarbeitung großer Datenmengen.

Fortgeschrittenes SQL für Data Engineering
Meistern Sie komplexe SQL-Abfragen, einschließlich Fensterfunktionen, Joins und Unterabfragen.
Implementieren Sie Techniken zur Indexierung, Partitionierung und Abfrageoptimierung.
ETL-Workflows mit SQL für strukturierte und halbstrukturierte Daten erkunden.

Datenaufbereitung und Feature-Engineering für ML
Datenbereinigung, -normalisierung und -transformation mit SQL durchführen.
Features aus strukturierten und unstrukturierten Datensätzen für ML-Modelle entwickeln.
Datenspeicherung und -abruf für schnelleres Modelltraining und schnellere Inferenz optimieren.

ML-Modellintegration in SQL-basierte Pipelines
Maschinelle Lernmodelle in SQL-gesteuerten Datenumgebungen bereitstellen.
Automatisieren Sie Modellinferenzen und -prognosen in SQL-basierten Workflows.
Optimieren Sie Echtzeit-ML-Pipelines mithilfe von Datenbanken wie PostgreSQL und Snowflake.

Verteiltes maschinelles Lernen mit Big-Data-Frameworks
Nutzen Sie Apache Spark MLlib für eine skalierbare ML-Verarbeitung.
Trainieren Sie umfangreiche Modelle in verteilten Computerumgebungen.
Optimieren Sie die Leistung und Fehlertoleranz in ML-Workflows.

Cloud-basierte maschinelle Lern- und SQL-Lösungen
Erkunden Sie Cloud-basierte ML- und SQL-Dienste wie BigQuery ML und AWS Sagemaker.
Optimieren Sie SQL-Abfragen und ML-Workflows in Cloud-basierten Architekturen.
Automatisieren Sie die Bereitstellung von ML-Modellen in Big Data SQL-Umgebungen.

Praktische Projekte zu maschinellem Lernen und SQL
Erstellen Sie End-to-End-ML-Pipelines, die in SQL-basierte Datenspeicher integriert sind.
Entwickeln Sie reale Vorhersagemodelle mit SQL- und ML-Frameworks.
Optimieren Sie datengesteuerte maschinelle Lern-Workflows für Skalierbarkeit und Effizienz.

Weitere Infos beim Anbieter

Förderungsart

Bildungsgutschein (nach AZAV, Akkreditierungs- und Zulassungsverordnung Arbeitsförderung) i

Unterrichtsart

Online-Seminar