Machine Learning Engineering Specialisation

Ziele der Weiterbildung

Im Fokus der Weiterbildung Machine Learning Engineering Specialisation steht die Vermittlung von Kenntnissen und Fähigkeiten im Bereich der Datenwissenschaften und des maschinellen Lernens. Die Inhalte umfassen grundlegende und fortgeschrittene Techniken der Datenanalyse, Programmierung mit Python sowie den Einsatz von Big-Data-Technologien. Weiterführende Mathematik und Statistik bilden die Basis für das Verständnis komplexer Algorithmen im Machine Learning (ML) und Deep Learning. Zudem werden Aspekte der Softwareentwicklung für Datenwissenschaften und Data Engineering behandelt, ergänzt durch praktische Projekte und Fallstudien. IT-Sicherheit und Datenschutz runden das Programm ab und gewährleisten ein umfassendes Verständnis der relevanten Themen.

Inhalte der Weiterbildung

Data Science

• Einführung in die Data Science
• Anwendungsfälle und Leistungsbewertung
• Vorbehandlung von Daten
• Verarbeitung von Daten
• Ausgewählte mathematische Techniken
• Ausgewählte Techniken künstlicher Intelligenz

Programmieren mit Python

• Einführung in die Programmiersprache Python
• Objektorientierte Konzepte in Python
• Behandlung von Ausnahmen und Fehlern
• Das Ökosystem der Python-Bibliothek
• Umgebungen und Paketmanagement
• Dokumentation und Prüfung
• Versionskontrolle 

Big-Data-Technologien

• Datentypen und Datenquellen
• Datenbanken
• Moderne Speicher-Frameworks
• Datenformate
• Verteilte Datenverarbeitung

Software Engineering für Datenwissenschaften

• Agile Projektleitung
• DevOps
• Softwareentwicklung
• API
• Vom Modell zur Produktion

Weiterführende Mathematik

• Kalkül
• Integrale Transformationen
• Vektoralgebra
• Vektorrechnung
• Matrizen und Vektorräume
• Informationstheorie

Weiterführende Statistik

• Einführung in die Statistik
• Wichtige Wahrscheinlichkeitsverteilungen und deren Anwendungen
• Bayessche Statistik
• Beschreibende Statistiken
• Datenvisualisierung
• Parameterschätzung
• Hypothesentests

Machine Learning

• Beaufsichtigte, unbeaufsichtigte und verstärkte Lernansätze
• Regression und Klassifizierung von Lernproblemen
• Abschätzung funktionaler Abhängigkeiten mittels Regressionsverfahren
• Daten-Clustering
• Unterstützt Vektor-Maschinen, große Margenklassifizierung
• Lernen in Entscheidungsbäumen

Deep Learning

• Einführung in neuronale Netze und Tiefenverdienen
• Netzwerkarchitekturen
• Neuronales Netzwerktraining
• Alternative Trainingsmethoden
• Weitere Netzwerkarchitekturen

Data Engineering

• Grundlagen der Datentechnik
• Paradigmen für die Datenverarbeitung im Maßstab 1:1
• Überblick über Data Governance, Sicherheit und Schutz von Daten
• Gängige Cloud-Plattformen
• DataOps-Ansatz

Projekt: Data Engineering

• Wissenstransfer und Anwendung auf praktische Probleme
• Implementierung eines Dateninfrastruktur-Bausteins

IT-Sicherheit und Datenschutz

• Datenschutz und Privatsphäre
• Bausteine der IT-Sicherheit
• IT-Sicherheitsmanagement
• Kryptographiekonzepte
• Kryptographie-Anwendungen

Fallstudie: Model Engineering

• Datenwissenschaftliche Methoden
• Datenqualität
• Feature-Engineering
• Feature-Auswahl
• Aufbau eines prädiktiven Modells
• Vermeidung gängiger Irrtümer