Machine Learning Engineer (m/w/d)

Nach Abschluss der Weiterbildung verfügen Sie über ein breites Grundlagenwissen zum Maschinellen Lernen, um in der Datenbankentwicklung für Unternehmen tätig zu werden. Sie können zum einen maschinelle Lernalgorithmen erstellen und anpassen. Durch ihre Kenntnisse in Data Science sowie den Programmiersprachen Python und R können Sie des Weiteren die gesammelten Daten verstehen, strukturieren, auswerten und auf unterschiedliche Weise darstellen. Dieses Wissen befähigt Sie dazu, Unternehmen bei der Datenanalyse zu unterstützen.

Grundlagen des Maschinellen Lernens

• Einführung in Machine Learning
• Datenreinigung und -skalierung
• Datenvisualisierung
• Funktion und Nutzen von Machine Learning
• Grundlegende Algorithmen: lineare/logistische Regression
• Entscheidungsbaum-Lernen und Ensemble-Methoden
• Support Vector Machines (SVM)
• Unüberwachtes Lernen: Clustering

Neuronale Netze und Deep Learning

• Einführung in Neuronale Netze
• Backpropagation und Gradientenabstiegsverfahren
• Aktualisierung der Gewichte
• Aktivierungsfunktionen
• Neuronale Netze und Deep Learning Konzepte
• Automatische Bilderkennung
• Transfer Learning
• Erzeugung synthetischer Daten

Datenanalyse und Modellierung mit R

• Grundlagen der Arbeit mit R
• Datenmanagement und deskriptive Statistiken in R
• Diagramme in ggplot2 einschließlich Streudiagramme
• Regressionanalysen und analytische Tests
• Anwendung von R in der Forschung
• Lineare Regression, Moderation und Mediation
• Ordinal logistische Regression

Praktisches Machine Learning mit Python

• Einführung in PyTorch
• Praxisarbeit: Programmierung Neuronales Netzwerk
• Installation und Einrichtung von TensorFlow
• Grundlegende Verwendung von TensorFlow und Keras
• Erstellen von Machine-Learning-Modellen mit Keras
• Visualisierung von Ergebnissen mit Keras
• Problemlösung für nicht funktionierende Modelle

Fortgeschrittene Methoden und aktuelle Trends

• Hyperparameteroptimierung
• Aktuelle Trends im maschinellen Lernen und Ausblick in die Zukunft
• Einführung in die Datenanalyse und fortgeschrittene Datenvisualisierung
• Telemetriedaten und A/B-Tests

Softwareentwicklung und Deployment

• Continuous Integration und automatisiertes Testen
• Continuous Delivery und Continuous Integration
• Deployment Pipeline