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 die Datenverarbeitung: Datenstrukturen und Datenmodellierung
Die Teilnehmer erwerben fundierte Kenntnisse in den Bereichen Datenstrukturen, Datenmodellierung und maschinelles Lernen (ML) für die Datenverarbeitung und lernen, wie sie die Datenspeicherung, -abfrage und -verarbeitung für umfangreiche ML-Workflows optimieren können. Sie werden sich mit relationalen und verteilten Datenmodellen, Schema-Design, Feature-Engineering und skalierbarer ML-Integration in Big-Data-Umgebungen befassen.
Einführung in maschinelles Lernen und Datenverarbeitung
Verstehen Sie die Rolle von ML in Data Engineering und Big Data-Workflows.
Lernen Sie die wichtigsten Konzepte in Bezug auf Datenpipelines, Speicherung und Echtzeit-ML-Verarbeitung kennen.
Erkunden Sie Techniken zur Verarbeitung strukturierter und unstrukturierter Daten.
Grundlagen der Datenstrukturen für maschinelles Lernen
Arbeiten Sie mit Arrays, verknüpften Listen, Hash-Tabellen und baumartigen Strukturen für die Datenspeicherung.
Implementieren Sie grafische Datenstrukturen für die Netzwerk- und Beziehungsanalyse.
Erkunden Sie probabilistische Datenstrukturen wie Bloom-Filter und Count-Min-Sketches für eine speichereffiziente Verarbeitung.
Datenmodellierung für Machine-Learning-Pipelines
Entwerfen Sie relationale und nicht-relationale Datenmodelle für ML-gesteuerte Anwendungen.
Lernen Sie Techniken zur Denormalisierung, Indizierung und Partitionierung für die Datenbankoptimierung kennen.
Optimieren Sie das Schema-Design für leistungsstarkes ML-Training und Inferenz.
Feature-Engineering und Datentransformation
Implementieren Sie die Vorverarbeitung, Bereinigung und Umwandlung von Daten für ML-Modelle.
Entwickeln Sie Funktionen aus strukturierten und unstrukturierten Datensätzen.
Optimieren Sie Techniken zur Dimensionsreduktion für große ML-Modelle.
Big-Data-Frameworks für maschinelles Lernen
Arbeiten Sie mit Apache Spark MLlib und Hadoop für die verteilte ML-Verarbeitung.
Implementieren Sie Echtzeit-ML-Workflows mit Kafka und Spark Streaming.
Optimieren Sie Batch- und Streaming-Datenpipelines für skalierbare ML-Anwendungen.
Cloud-basierte Datenmodellierung und ML-Integration
Erkunden Sie Cloud-basierte ML- und Datenmodellierungsdienste wie AWS Redshift, BigQuery ML und Snowflake.
Optimieren Sie die Speicherung, Indizierung und Leistung von ML-Workflows in Cloud-Datenbanken.
Automatisieren Sie die Echtzeit-Modellinferenz in Cloud-basierten Umgebungen.
Praxisprojekte: Datenmodellierung für ML-Pipelines
Entwerfen und implementieren Sie optimierte Datenstrukturen für skalierbare ML-Workflows.
Entwickeln Sie reale ML-Anwendungen unter Verwendung strukturierter und unstrukturierter Datensätze.
Optimieren Sie die Datenabfrage und das Feature-Engineering für leistungsstarke ML-Modelle.
- Förderungsart
- Bildungsgutschein (nach AZAV, Akkreditierungs- und Zulassungsverordnung Arbeitsförderung) i
- Unterrichtsart
- Online-Seminar