Machine Learning Entwickler:in

Data Analytics

Einführung in Data Analytics (ca. 1 Tag)
Aufgaben, Anwendungsbereiche und typische Anwendungsfälle von Data Analytics 
Data-Analytics-Prozesse und CRISP-DM 
Rolle des Data Analysts und Abgrenzung zu Data Science, Data Engineering und Business Intelligence 
Einordnung von Künstlicher Intelligenz und Machine Learning

Python für Data Analytics (ca. 1 Tag)
Arbeiten mit Jupyter NotebooksNumPy und Pandas für die DatenanalyseImport und Export verschiedener Datenquellen, z. B. Excel und CSVAuswahl und Transformation von Daten

Datenaufbereitung und explorative Datenanalyse (ca. 3 Tage)
Datenbereinigung und -transformation mit Pandas 
Umgang mit fehlenden, fehlerhaften und auffälligen Daten 
Zusammenführen, Gruppieren und Aggregieren von Daten 
Explorative Datenanalyse und Ableitung erster Erkenntnisse 
Grundlagen statistischer Auswertungen

SQL und Datenmanagement (ca. 2 Tage)
Relationale Datenbanken und Datenmodelle 
Datenabfragen und -aufbereitung mit SQL 
Joins, Aggregationen und analytische Abfragen 
Zusammenspiel von SQL und Python in der Datenanalyse 
Datenqualität und DatenschutzAnbindung und Nutzung cloudbasierter Datenbanken

Datenvisualisierung und Data Storytelling (ca. 2 Tage)
Visualisierung mit Matplotlib, Seaborn und Plotly 
Auswahl geeigneter Diagramme und Visualisierungsformen 
Aufbereitung und Interpretation von Analyseergebnissen 
Data Storytelling und adressatengerechte Kommunikation

Power BI und interaktive Dashboards (ca. 2 Tage)
Datenimport und -aufbereitung mit Power Query 
Datenmodellierung und Beziehungen 
Grundlagen von DAX und Kennzahlen 
Erstellung interaktiver Reports und Dashboards 
Visualisierung und Kommunikation von Business-KPIsÜberblick über alternative Business-Intelligence- und Visualisierungslösungen

KI-gestützte Datenanalyse (ca. 2 Tage)
Einsatz generativer KI im Data-Analytics-Workflow 
KI-gestützte Datenaufbereitung, Analyse und Visualisierung 
Unterstützung bei Python- und SQL-Abfragen 
Prompting für Datenanalysen und Interpretation von Ergebnissen 
Kritische Bewertung von Datenquellen sowie Erkennung synthetischer und unplausibler Daten
Qualitätssicherung, Datenschutz und verantwortungsvoller KI-Einsatz

Business Analytics und statistische Grundlagen (ca. 2 Tage)
Kennzahlen und KPIs im Unternehmenskontext 
Deskriptive Statistik und statistische Zusammenhänge 
Korrelation, Kausalität und einfache Regressionsanalysen 
Grundlagen von Konfidenzintervallen und Hypothesentests 
Interpretation von Analyseergebnissen und Ableitung datenbasierter Handlungsempfehlungen

Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse



Machine Learning

Einführung in Machine Learning und ML-Workflow (ca. 3 Tage)Grundlagen, Anwendungsbereiche und Arten des Machine Learning 
Einordnung moderner KI- und Machine-Learning-Verfahren 
Machine-Learning-Workflow mit scikit-learn 
Trainings-, Validierungs- und Testdaten 
Underfitting, Overfitting und Modellevaluation 
Cross Validation

Datenaufbereitung und Feature Engineering (ca. 2 Tage)
Datenqualität und DatenvorverarbeitungSkalierung, Normalisierung und Kodierung Feature Engineering und Feature Selection Umgang mit fehlenden Werten, Ausreißern und unausgeglichenen Datensätzen

Überwachtes Lernen – Regression und Klassifikation (ca. 5 Tage)
Regressions- und Klassifikationsverfahren 
Lineare und regularisierte Modelle 
Distanz-, wahrscheinlichkeits- und baumbasierte Verfahren 
Ensemble- und Boosting-Verfahren 
Modellvergleich und Hyperparameteroptimierung 
Evaluationsmetriken und probabilistische Vorhersagen
Feature Importance und Explainable AI 

Unüberwachtes Lernen (ca. 2 Tage)
Dimensionsreduktion und Merkmalsextraktion 
Clusterverfahren und Bewertung von Clustering-Ergebnissen 
Anomalieerkennung

Zeitreihenanalyse und Prognosen (ca. 1 Tag)
Grundlagen und Analyse von Zeitreihendaten 
Prognoseverfahren und Machine Learning für Zeitreihen

Neuronale Netze und moderne KI (ca. 2 Tage)
Grundlagen neuronaler Netze und Deep Learning 
Machine Learning für Textdaten und Natural Language Processing 
Foundation Models, Large Language Models und generative KI

Bereitstellung von ML-Modellen (ca. 1 Tag)
Speicherung und Bereitstellung trainierter Modelle 
Entwicklung einfacher ML-Anwendungen 
Schnittstellen und Plattformen für Machine-Learning-Modelle

Projektarbeit (ca. 4 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)
Multilayer-Perzeptronen
Berechnung neuronaler Netze
Optimierung der Modellparameter, Backpropagation
Deep-Learning-Bibliotheken
Regression vs. Klassifikation
Typische Loss- und Aktivierungsfunktionen
Mit Metriken die Modellprognose bewerten
Regressions- und Klassifikationsmetriken
Lernkurven, Überanpassung und Regularisierung
Hyperparameteroptimierung
L1/12-Regularisierung
Dropout
Early-Stopping
Stochastischer Gradientenabstieg (SGD)
Momentum, Adam Optimizer
Optimierung der Lernrate
Dynamische Lernraten-Anpassung
Reduce Learningrate on Plateau
Lernraten-Optimierung mit dem TensorBoard
Mit Callbacks den Fitprozess steuern
Modelle speichern und laden

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 und Kombinieren von Modellen
Unüberwachtes Vortrainieren
Image‐Data‐Augmentation, Explainable AI
Dataloader

Regional CNN (ca. 1 Tag)
Objektlokalisierung
Semantische Segmentierung
Regressionsprobleme
Verzweigte neuronale Netze
YOLO-Architektur
U-Net-Modelle

Methoden der kreativen Bilderzeugung (ca. 1 Tag)
Generative Adversarial Networks (GAN) 
Deepfakes
Diffusionsmodelle
Superresolution
Bildbereiche ergänzen
Foundations Models von Hugging Face anwenden
Multimodale Modelle
LoRA-Fine-Tuning
Anwendungsgebiete generativer Modelle
Rechtliche Einschränkungen

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
Natural Language Processing (NLP)
Übersetzungen
Textgeneration
Seqence-to-Sequence-Verfahren, Encoder-Decoder-Architektur
Encoder-Only- und Decoder-Only-Modelle
Lokale Anwendung von Large Language Models

Sprachmodelle (ca. 1 Tag)
Transfomer Architektur
Attention und Multihead-Attention
Positional Encodings
Fine-Tuning großer Sprachmodelle
Prompting
Textgeneration-Pipelines 
Summarization 
Chatbots
Retrieval Augmented Generation
KI-Agenten

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



Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.