Augmented Reality in Industrie 4.0 mit Zusatzqualifikation in Deep Learning

Im Anschluss an diese Maßnahme verfügen Sie über Kenntnisse in der Entwicklung von Augmented Reality-Anwendungen für die Industrie 4.0. Sie sind in der Lage, die Konzepte und Technologien von Augmented Reality, Virtual Reality und Mixed Reality zu verstehen und anzuwenden. Darüber hinaus haben Sie eine Zusatzqualifikation im Bereich Deep Learning erworben und können Python und Machine Learning für die Verarbeitung großer Datenmengen nutzen. Durch diese Fähigkeiten können Sie in den Bereichen der Industrie 4.0, der Softwareentwicklung und des Datenmanagements tätig werden.

Grundlagen der Augmented Reality und Industrie 4.0

• Einführung in Augmented Reality und Industrie 4.0
• Zukunftsaussichten und Potenziale von AR für Industrie 4.0
• Einführung in AR, VR und Adobe Aero
• Computer Vision zur Ermöglichung von Augmented Reality
• Best Practices für die Entwicklung von VR und AR

AR-Hardware und Anwendungsbeispiele

• AR-Hardware für Industrieanwendungen: Smart Glasses und AR-Brillen
• Anwendungsbeispiele in der Produktion: Unterstützung von Montage und Wartung
• AR in der Qualitätssicherung: Unterstützung bei Inspektion und Fehlererkennung

AR-Entwicklung und Prototyping

• Arbeiten mit Komponenten
• Interaktive Animationen
• Designsysteme
• Erstellen von AR-Erfahrungen mit Adobe Aero
• Import von 3D-Modellen in Adobe Aero
• Interaktionen und Animationen in AR
• AR-Prototyping und -Testing

User Interface und User Experience in AR

• Einsatz von UI/UX
• Teilen von Prototypen und Erhalten von Feedback
• Visualisierungsdesign und -entwicklung für Data und Machine Learning im Spatial Computing

Spezialgebiete der Augmented Reality

• AR in der Bildung und Schulung
• Das Ökosystem der Gesundheitstechnik mit virtueller und erweiterter Realität
• AR-Storytelling und -Narration
• AR- und VR-Trends und -Zukunftsaussichten
• AR- und VR-Ethik und -Datenschutz

Einführung in Deep Learning und Maschinelles Lernen

• Neuronale Netze
• Python- und Machine-Learning-Bibliotheken
• Trainieren eines Neuronalen Netzes
• Keras
• Neuronale Netze und Deep Learning

Datenanalyse und Computer Vision mit Deep Learning

• PoseNet-Modell mit TensorFlow.js und Smart Home
• Intelligente Spurerkennung mit Keras und OpenCV
• Erkennung der Umgebung mit YOLO und TensorFlow.js
• Einführung in die Datenanalyse und Datenvisualisierung
• Praktische Anwendung: Modelltraining und Modellperformanz

Python-Programmierung und Datenverarbeitung

• Installation und Einrichtung von Python
• Grundlegende Programmierkonzepte
• Datenstrukturen
• Python-Skripte
• Standard-Datentypen
• Funktionen
• Datenbanken
• Modellieren mit Kellern, Schlangen und Graphen
• Einführung in NumPy und Messdatenverarbeitung
• Grundlagen der Notation
• Unüberwachtes Lernen: Clustering
• Dimensionalitätsreduktion: PCA und t-SNE
• Aktuelle Trends im maschinellen Lernen und Ausblick in die Zukunft
• Qualifikationsprojekt Machine Learning