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 Data Engineering: Fortgeschrittenes maschinelles Lernen für Data Engineering
Die Teilnehmer erwerben Fachwissen über fortgeschrittene Techniken des maschinellen Lernens (ML) für Big Data Engineering, wobei der Schwerpunkt auf skalierbarem Modelltraining, verteiltem Rechnen, Echtzeit-ML-Integration und Optimierung von Hochleistungs-Datenpipelines liegt. Sie werden sich mit Deep Learning, probabilistischen Datenstrukturen, grafischen Analysen und realen ML-Einsatzstrategien für große Datenumgebungen befassen.

Einführung in fortgeschrittenes maschinelles Lernen für Data Engineering
Verstehen Sie die Rolle von fortgeschrittenem ML im Data Engineering.
Erkunden Sie Skalierbarkeitsherausforderungen in ML-gesteuerten Big-Data-Anwendungen.
Lernen Sie modernste Techniken in automatisierten ML-Pipelines kennen.

Deep Learning für Data Engineering
Implementieren Sie Deep-Learning-Modelle mit TensorFlow und PyTorch.
Optimieren Sie neuronale Netze für strukturierte und unstrukturierte Daten.
Skalieren Sie Deep-Learning-Workflows mithilfe von GPU-Beschleunigung und verteiltem Training.

Probabilistische Datenstrukturen und ML
Arbeiten Sie mit Bloom-Filtern, Count-Min-Sketches und HyperLogLog für eine effiziente ML-Modelloptimierung.
Implementieren Sie speichereffiziente Algorithmen für die Verarbeitung großer Datenmengen.
Optimieren Sie Daten-Workflows für eine schnelle ML-Inferenz.

Graphenbasiertes maschinelles Lernen
Verwenden Sie Graph-Neural-Networks (GNNs) für eine beziehungsgesteuerte Datenanalyse.
Arbeiten Sie mit graphenbasierten Datenmodellen für Empfehlungssysteme und Anomalieerkennung.
Optimieren Sie Graphdatenstrukturen für eine leistungsstarke ML-Verarbeitung.

Bereitstellung und Optimierung von Echtzeit-ML-Modellen
Implementieren Sie Echtzeit-ML-Pipelines mit Kafka und Spark Streaming.
Optimieren Sie Vorhersagen mit geringer Latenz für dynamische Datenumgebungen.
Setzen Sie Strategien für automatisiertes Modell-Retraining und -Monitoring ein.

Cloudbasierte skalierbare ML-Workflows
Arbeiten Sie mit BigQuery ML, AWS SageMaker und Azure ML für cloudbasiertes ML-Training und Inferenz.
Optimieren Sie kosteneffiziente, skalierbare ML-Modelle in Cloud-Umgebungen.
Automatisieren Sie das ML-Lebenszyklus-Management mithilfe von MLOps-Frameworks.

Praktische Projekte für fortgeschrittenes maschinelles Lernen
Entwickeln Sie skalierbare ML-Lösungen für Big-Data-Umgebungen.
Arbeiten Sie an realen ML-Herausforderungen und integrieren Sie dabei Deep Learning, Graph ML und Streaming-Analysen.
Optimieren Sie End-to-End-ML-Pipelines für umfangreiche Data-Engineering-Anwendungen.

Weitere Infos beim Anbieter

Förderungsart

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

Unterrichtsart

Online-Seminar