Der Kurs führt durch die Themen des Machine Learning, wie die Kategorien überwachtes und unüberwachtes Lernen, sowie die Methoden des Deep Learning auf Basis von neuronalen Netzen. Abschließend wird das Projektmanagement-Framework Scrum vorgestellt, das seinen Fokus auf der Anwendersicht hat.
Ziele
Nach dem Lehrgang besitzt du relevante Kenntnisse zu den Themen Machine Learning und Deep Learning. Du kennst die wichtigsten Gründe für die Verwendung des Machine Learning, Anwendungsgebiete sowie die verschiedenen Kategorien und Konzepte des Maschinellen Lernens. Zudem verstehst du die Einsatzbereiche von Deep Learning und die Funktionsweisen neuronaler Netzwerke. Du bist in der Lage, maschinelles Lernen bereitzustellen und Prozesse zu dokumentieren. Zusätzlich beherrschst du den Scrum-Prozess sicher und unterstützt Product Owner bei der Prozessabwicklung und -verbesserung. Du bist in der Lage, die Organisation und Moderation von Agile/Scrum-Meetings sowie die Umsetzung von Sprints zu übernehmen und bist mit Scrum-Artefakten vertraut.
Zielgruppe
Der Lehrgang richtet sich an Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen und Personen mit Studium der (Wirtschafts-)Ingenieurwissenschaften sowie an Fach- und Führungskräfte aus dem Projektmanagement, die sich mehr in digital-vernetzten und globalen Arbeitsprojekten einbringen möchten. Themen
Machine Learning
Einführung in Machine Learning (ca. 5 Tage)
Warum Machine Learning?
Anwendungsbeispiele
Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen
Beispiele für Datenbestände
Daten kennenlernen
Trainings-, Validierungs- und Testdaten
Daten sichten
Vorhersagen treffen
Überwachtes Lernen (ca. 5 Tage)
Klassifikation und Regression
Verallgemeinerung, Overfitting und Underfitting
Größe des Datensatzes
Algorithmen zum überwachten Lernen
Lineare Modelle
Bayes-Klassifikatoren
Entscheidungsbäume
Random Forest
Gradient Boosting
k-nächste-Nachbarn
Support Vector Machines
Conditional Random Field
Neuronale Netze und Deep Learning
Wahrscheinlichkeiten
Unüberwachtes Lernen (ca. 5 Tage)
Arten unüberwachten Lernens
Vorverarbeiten und Skalieren
Datentransformationen
Trainings- und Testdaten skalieren
Dimensionsreduktion
Feature Engineering
Manifold Learning
Hauptkomponentenzerlegung (PCA)
Nicht-negative-Matrix-Faktorisierung (NMF)
Manifold Learning mit t-SNE
Clusteranalyse
k-Means-Clustering
Agglomeratives Clustering
Hierarchische Clusteranalyse
DBSCAN
Clusteralgorithmen
Evaluierung und Verbesserung (ca. 2 Tage)
Modellauswahl und Modellevaluation
Abstimmung der Hyperparameter eines Schätzers
Kreuzvalidierung
Gittersuche
Evaluationsmetriken
Klassifikation
Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Deep Learning
Einführung Deep Learning (ca. 1 Tag)
Deep Learning als eine Art von Machine Learning
Grundlagen in neuronalen Netzen (ca. 4 Tage)
Perceptron
Berechnung neuronaler Netze
Optimierung der Modellparameter, Backpropagation
Deep‐Learning‐Bibliotheken
Regression vs. Klassifikation
Lernkurven, Überanpassung und Regularisierung
Hyperparameteroptimierung
Stochastischer Gradientenabstieg (SGD)
Momentum, Adam Optimizer
Lernrate
Convolutional Neural Network (CNN) (ca. 2 Tage)
Bildklassifizierung
Convolutional‐Schichten, Pooling‐Schichten
Reshaping‐Schichten, Flatten, Global‐Average‐Pooling
CNN‐Architekturen ImageNet‐Competition
Tiefe neuronale Netze, Vanishing Gradients, Skip‐Verbindungen, Batch‐Normalization
Transfer Learning (ca. 1 Tag)
Anpassen von Modellen
Unüberwachtes Vortrainieren
Image‐Data‐Augmentation, Explainable AI
Regional CNN (ca. 1 Tag)
Objektlokalisierung
Regressionsprobleme
Verzweigte neuronale Netze
Methoden der kreativen Bilderzeugung (ca. 1 Tag)
Generative Adversarial Networks (GAN)
Deepfakes
Diffusionsmodelle
Recurrente neurale Netze (ca. 2 Tage)
Sequenzanalyse
Rekurrente Schichten
Backpropagation through time (BPTT)
Analyse von Zeitreihen
Exploding und Vanishing Gradient Probleme
LSTM (Long Short‐Term Memory)
GRU (Gated Recurrent Unit)
Deep RNN
Deep LSTM
Textverarbeitung durch neuronale Netze (ca. 2 Tage)
Text‐Preprocessing
Embedding‐Schichten
Text‐Klassifizierung
Sentimentanalyse
Transfer‐Learning in NLP
Übersetzungen
Seqence‐to‐Sequence‐Verfahren, Encoder‐Decoder‐Architektur
Sprachmodelle (ca. 1 Tag)
BERT, GPT
Attention‐Schichten, Transformers
Textgeneration‐Pipelines
Summarization
Chatbots
Deep Reinforcement Learning (ca. 1 Tag)
Steuerung dynamischer Systeme
Agentensysteme
Training durch Belohnungen
Policy Gradients
Deep‐Q‐Learning
Bayes`sche neuronale Netze (ca. 1 Tag)
Unsicherheiten in neuronalen Netzen
Statistische Bewertung von Prognosen
Konfidenz, Standardabweichung
Unbalancierte Daten
Sampling‐Methoden
Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Agiles Projektmanagement mit Scrum: Master
Grundlagen (ca. 3 Tage)
Agiles Mindset
Agiles Projektmanagement: Überblick
Unterschiede und Ergänzungen zu traditionellen Projektmanagement-Methoden
Phasen eines agilen Projekts
Stärken und Schwächen des agilen Projektmanagements
Voraussetzungen/Rahmenbedingungen für agile Projekte (ca. 5 Tage)
Projektumfeld, Werte und Prinzipien
Anforderungen an agile Projekte auf technischer Ebene bei IT-Projekten
Übertragbarkeit agiler Methoden auf Projekte außerhalb der IT
Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld
Agile Methode Scrum (ca. 3 Tage)
Scrum-Philosophie
Die verschiedenen Ergebnisverantwortlichkeiten in Scrum und ihre Aufgaben: Scrum Master, Developer, Product Owner
Selbstorganisierte Teams
Die Scrum-Meetings: Sprint Planning, Daily Scrum, Sprint Review, Sprint Retrospektiven
Scrum-Artefakte: Product Backlog, Sprint Backlog, Increment
Planung mit Scrum
Auswirkungen auf Organisationen
Projektsteuerung (ca. 2 Tage)
Stakeholdermanagement
Problemerkennung und -behebung
Scaled Scrum/Nexus
Schlüsselfaktor Team (ca. 2 Tage)
Rahmenbedingungen für agile Teams
Verantwortung, Zusammenarbeit und Commitment im agilen Team
Effektive Team- und Selbststeuerung
Kommunikation im Team
Projektarbeit, Zertifizierungsvorbereitung und Scrum.org-Professional Scrum Master-Zertifizierung (PSM I) in englischer Sprache (ca. 5 Tage)
Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.
Ihre Vorteile
Du bist in den Fachbereichen Machine und Deep Learning hoch qualifiziert und kannst große Datenmengen nach Mustern und Modellen untersuchen. Mitarbeiter:innen mit diesem Fachwissen können branchenübergreifend eingesetzt werden und sind am Arbeitsmarkt entsprechend vielfach nachgefragt. Deep Learning kommt dabei häufig im Rahmen künstlicher Intelligenz für die Gesichts-, Objekt- oder Spracherkennung zum Einsatz.Zudem erlernst du mit Scrum ein Vorgehensmodell des Projekt- und Produktmanagements, das ursprünglich besonders zur agilen Softwareentwicklung, inzwischen aber auch in vielen anderen Fachbereichen eingesetzt wird. Als skalierbare Projektmanagement- und Entwicklungsmethode wird es erfolgreich in zahlreichen Großprojekten mit mehreren hundert Team-Mitgliedern verwendet. Mit dem offiziellen Zertifikat von Scrum.org weist du einen international anerkannten Nachweis über deine erworbenen Qualifikationen als Scrum Master vor.
Unser Partner alfatraining
Durch die Kooperation mit der alfatraining Bildungszentrum GmbH hat die BBQ Bildung und Berufliche Qualifizierung gGmbH ihr Portfolio im Bereich der geförderten beruflichen Weiterbildung erweitert.
Bildungsinteressierte können zusätzlich zu den bundesweit über 100 Standorten von alfatraining weitere 18 Standorte von BBQ für ihre berufliche Weiterbildung nutzen.
Ihre Qualifizierung
findet statt
Mit alfaview, face-to-face & live, bequem von zuhause aus oder vor Ort an einem unserer über 100 Standorte.
