Trainer (m/w/d) im Data Science und Machine Learning

Nach Abschluss dieser Weiterbildung verfügen Sie über Kenntnisse in den Bereichen Data Science und Machine Learning. Sie lernen verschiedene Konzepte wie TensorFlow, Deep Learning und GitHub/GitLab kennen und können diese in der Praxis anwenden. Nach Absolvierung der Maßnahme sind Sie in der Lage, Daten zu analysieren, Muster zu erkennen und Vorhersagemodelle zu entwickeln. Diese Fähigkeiten ermöglichen es Ihnen, in diversen Bereichen tätig zu werden, wie beispielsweise in der Forschung, im Business Intelligence oder bei der Entwicklung von KI-gesteuerten Anwendungen. Ihre erworbenen Fähigkeiten ermöglichen Ihnen eine Tätigkeit als Lehrkraft (m/w/d) im Bereich der Data Science und des Machine Learning.

Überschrift 1: Grundlagen von Machine Learning und Data Science

• Einführung in Machine Learning
• Grundlagen der Notation
• Datenstrukturen und Datentypen
• Grundlegende Algorithmen: lineare/logistische Regression

Überschrift 2: Data Preprocessing und Visualisierung

• Einführung in Pandas und Dataframes
• Datenreinigung
• Datenskalierung
• Datenvisualisierung
• Einführung in die Datenanalyse und Datenvisualisierung

Überschrift 3: Supervised Learning Techniken

• Lineare Regression
• Logistische Regression
• Decision Trees
• Support Vector Machines (SVM)

Überschrift 4: Unsupervised Learning und Clustering

• Einführung in Unsupervised Machine Learning
• K-Means Clustering

Überschrift 5: Neuronale Netze und Deep Learning Grundlagen

• Einführung in Neuronale Netze
• Signalübertragung in Neuronalen Netzen
• Backpropagation
• Neuronale Netze

Überschrift 6: Praktische Anwendung und Modellierung mit TensorFlow und Keras

• Installation und Einrichtung von TensorFlow
• Grundlegende Verwendung von TensorFlow
• Verwendung von Keras
• Erstellen von Machine-Learning-Modellen mit Keras
• Visualisierung von Ergebnissen mit Keras
• Allgemeine Tipps und Tricks zu TensorFlow

Überschrift 7: Erweiterte Konzepte in Deep Learning

• Aktivierungsfunktionen
• Automatische Bilderkennung
• Transfer Learning
• Trainieren eines Neuronalen Netzes

Überschrift 8: Praxis und Anwendungsfälle

• Praxisarbeit: Programmierung Neuronales Netzwerk
• Verkehrszeichenerkennung mit Keras
• Anwendungen in Cloud Deep Learning, Bildgenerierung, Musik und Video
• Qualifikationsprojekt Machine Learning
• Qualifikationsprojekt Data Science
• Qualifikationsprojekt TensorFlow

Überschrift 9: Agile Methoden und Projektmanagement

• Agiles Arbeiten mit Git
• Continuous Integration und Continuous Delivery
• Software Testing und Qualitätssicherung
• Agile Perspektive
• Agiles vs. traditionelles Projektmanagement
• Product Owner
• Product Backlog and the Product Goal
• Sprint Planning
• Sprint Review
• Sprint Retrospective

Überschrift 10: Pädagogik und Didaktik im Training

• Methodenkoffer
• Lerntheorien
• Kognitive Aktivierung
• Lernziele
• Problemorientierter Unterricht
• Diagnostizieren und Fördern im Unterricht
• Fachsprache im Unterricht
• Unterstützungsmaßnahmen im Unterricht
• Umgang mit Fehlern und richtiges Feedbackgeben

Überschrift 11: Aktuelle Trends und Ausblick

• Neuronale Netze und Deep Learning
• Aktuelle Trends im maschinellen Lernen und Ausblick in die Zukunft

Überschrift 12: Case Studies und Praktische Übungen

• Fallstudien

Überschrift 13: Ethische Prinzipien und Werte

• Werte und Prinzipien