Data Scientist Specialized in Machine Learning (zertifiziert)

Aktuelle Methoden des Maschinellen Lernens / Deep Learning

Sie lernen aktuelle Verfahren des maschinellen Lernens und tiefe Lernverfahren kennen und vertiefen sie in einem Einsatzbereich. Um den Wissenstransfer in Ihr Unternehmen sicher zu stellen, arbeiten Sie an praktischen Aufgaben in einem »virtuellen Labor«. Dabei wechseln zwei Präsenzphasen mit Phasen selbstständiger Arbeit, wo Sie im virtuellen Labor eine umfangreichere Aufgabe bearbeiten, Ihren Fortschritt dokumentieren und bei Bedarf Rücksprache mit unseren Experten halten. Damit sind Sie bestens vorbereitet, um für die Zertifizierung zum »Senior Data Scientist« im selben Lernlabor ein Analyseprojekt eigenständig zu bearbeiten.

Das virtuelle Labor besteht aus einem umfangreichen Toolkit mit bewährter Open-Source-Software und Zugriff auf leistungsfähige Hardware. Jupyter Notebooks erlauben nicht nur die Programmierung und Ausführung von Python-basierten Applikationen, sondern eignen sich mit ihren vielfältigen Annotationsmöglichkeiten ideal für den Austausch mit unseren Fachleuten. Das ganze Lernlabor ist web-gestützt: Sie benötigen lediglich ein internetfähiges Endgerät mit einem aktuellen Webbrowser, um das Labor (auch mobil) nutzen zu können.

Die Zertifizierung findet durch die Fraunhofer-Personenzertifizierungsstelle statt. Das Zertifikat bescheinigt den Absolventen relevantes innovatives Praxiswissen und nachgewiesene Kompetenz.

Zielgruppe: Analysten, Software-Entwickler und Interessierte aus der Forschung, die mit maschinellen Lernverfahren aus Daten automatisch statistische Modelle entwickeln möchten, die in intelligenten Systemen zum Einsatz kommen.

Voraussetzungen: Grundkenntnisse in Statistik, Maschinellen Lernen und solide Programmiererfahrung (vorzugsweise in Python).

Voraussetzungen für die Zertifizierung: Studium oder äquivalente Qualifikation durch Einzelnachweis.

Sprache: Vorträge in Deutsch, Material in Englisch

Abschluss: Zertifikat »Data Scientist Specialized Machine Learning«

Rahmen

Das Angebot zum Gesamtpreis von 5.300 Euro beinhaltet

  • den dreitägigen Grundkurs „Aktuelle Methoden des Maschinellen Lernens“ in Sankt Augustin mit anschließender Praxisphase (ca. 3 Arbeitstage im Zeitraum von 2 Monaten), 
  • einen zweitägigen Vertiefungskurs in Sankt Augustin oder bei einem Partnerinstitut mit anschließender Praxisphase (ca. 2 Arbeitstage im Zeitraum von 2 Monaten),
  • eine halbtägige Prüfung in Sankt Augustin.

Es besteht die Möglichkeit den Grundkurs einzeln zu buchen. Der Einzelpreis beträgt 2.850 Euro.

    Die Teilnahmegebühr ist steuerfrei gem. § 4 Nr. 22a UStG. Sie umfasst Begleitunterlagen (auf Englisch) und Verpflegung.

    Maximale Teilnehmerzahl: 15 

    Die Anmeldungen werden in der Reihenfolge des Eingangs berücksichtigt.

    Das Anmeldeformular finden Sie im jeweiligen Vertiefungskurs.

Die Vertiefungsmodule

Textverstehen

Bildverstehen

Zeitreihenanalyse

Lernende Roboter

Skalierbares Lernen

Lernen für die Cyberabwehr

Aktuelle Methoden des Maschinellen Lernens (Grundkurs)

Fortschritte in moderner Grafikhardware und parallelen Optimierungsmethoden haben in den letzten Jahren die Anwendung von Verfahren des Deep Learning auf umfangreiche Aufgaben der Mustererkennung ermöglicht. Diese Modelle enthalten oft Millionen freier Parameter und erreichen in vielen Anwendungsbereichen wie Bilderkennung, Spracherkennung, Computerspielen mittlerweile das Niveau menschlicher Experten. Dies ermöglicht eine Vielzahl von neuen Lösungen in Branchen wie Medizin, Medien, Werbung, Finanzen. Zudem erlauben sie die Ableitung von effektiven Steuerungen für dynamische Spielsituationen und die Berechnung von Auswahlempfehlungen für Nutzergruppen.

Sie lernen an praktischen Beispielen verschiedene Lernverfahren und ihren Einsatzmöglichkeiten auf Basis von Python und Google TensorFlow kennen.

Tag 1

  • Einführung in Deep Learning
  • Einführung in TensorFlow
  • Basismodule des Deep Learning
  • Unüberwachtes Lernen mit neuronalen Netzen

Tag 2

  • Konvolutionale Neuronale Netze (ConvNets) zur Bilderkennung
  • Rekurrente neuronale Netze und Zeitreihenanalyse zur Verarbeitung von Sequenzen
  • Gegeneinander agierende Netze 
  • Netze zur Speicherung gelernter Inhalte

Tag 3

  • Verstärkungslernen mit neuronalen Netzen
  • Anwendung auf Gaming und Roboter-Navigation
  • Empfehlungssysteme für Videos und Musik
  • Kollaboratives Filtern zur Auswertung von Benutzergruppen

 

Praxisphase

  • Übungen im virtuellen Labor im Aufwand von 3 Arbeitstagen im Zeitraum von 3 Monaten

Unsere Referenten

Diese Schulung wird von Fraunhofer IAIS in Kooperation mit Fraunhofer ITWM durchgeführt.

Dr. Janis Keuper befasst sich als Wissenschaftler am Competence Center for High Performance Computing des Fraunhofer ITWM schwerpunktmäßig mit maschinellen Lern- und Mustererkennungsverfahren für große Datenmengen. An der Universität Freiburg schloss er das Informatikstudium mit dem Master of Science und einer anschließenden Promotion ab. Dann arbeitete er am Interdisciplinary Research Center for Scientific Computing" (IRW) der Universität Heidelberg als Postdoc und  am Intel Visual Computing Center (IVCI) in Saarbrücken als Gruppenleiter.

Dr. Gerhard Paaß ist Senior Scientist am Fraunhofer IAIS, hat langjährige Erfahrung als Projektleiter von angewandten Forschungs- und Wirtschaftsprojekten sowie als Dozent an den Universitäten Bonn, Leipzig und Brisbane. Er hat die Textmining-Gruppe am Fraunhofer IAIS gegründet und ist maßgeblich an der Entwicklung von Verfahren zur semantischen Analyse von Texten beteiligt. Aktuelle Arbeitsschwerpunkte sind Informationsextraktion, Textklassifikation sowie semantisches Lernen durch Deep Neural Networks.

Dr. Alexander Kister ist promovierter Mathematiker und seit 2016 als Data Scientist am Fraunhofer-Institut IAIS tätig. Sein Interessensschwerpunkt ist die Analyse von Daten aus Cyber-physischen Systemen, insbesondere im Industrie 4.0 Kontext.