Maschinelles Lernen

Der Kurs vermittelt, wie aus vorhandenen Trainingsdaten Modelle entstehen, die auch für neue Daten verlässliche Prognosen liefern. Dabei werden Ziele, Aufgaben und typische Herausforderungen des maschinellen Lernens erläutert sowie bewährte Vorgehensweisen vorgestellt, die einen strukturierten und ergebnisorientierten Lernprozess ermöglichen. Zudem behandelt der Kurs grundlegende Prinzipien des maschinellen Lernens, die für das Verständnis und den praktischen Einsatz und die Steuerung künstlicher neuronaler Netze entscheidend sind. 

Sie lernen 

• geeignete Daten für Machine-Learning-Algorithmen auszuwählen und für das Training und die Evaluierung der Machine-Learning-Modelle vorzubereiten.
• eigenständig grundlegende Machine-Learning-Workflows auf Basis von Software-Bibliotheken und -Frameworks zu entwickeln und selbständig Teilaufgaben von komplexen Machine-Learning-Szenarien umzusetzen.
• die entwickelten Machine-Learning-Modelle fundiert qualitativ und quantitativ zu beurteilen, allen Projektbeteiligten verständlich zu erläutern und für eine spätere Nutzung in der Praxis vorzubereiten.

Ihr Nutzen im beruflichen Umfeld

• Sie kennen etablierte wissenschaftliche Methoden zur Durchführung von Machine-Learning-Projekten und sind in der Lage, geeignete Methoden für die bearbeitete Problemstellung auszuwählen und anzupassen sowie die gewählten Methoden zielgerichtet und strukturiert anzuwenden.
• Sie können die Modellgüte anhand geeigneter Metriken beurteilen und typische Fehlerquellen wie Overfitting und Underfitting erkennen sowie Optimierungsstrategien einsetzen, um Machine-Learning-Modelle systematisch zu verbessern.

Standort

NORDAKADEMIE Campus Hamburg

Abschluss

Teilnahmebescheinigung, welche die erworbene Qualifikation zur Anwendung des vermittelten Fachwissens im beruflichen Alltag dokumentiert.

Lerninhalte

Grundlagen des Maschinellen Lernens

Ablauf eines Machine-Learning-Projekts:

• Datenbeschaffung und –aufteilung
• Explorative Datenanalyse
• Datenbereinigung und Transformation
• Modell-Auswahl, -Training und –Evaluation
• Model-Optimierung

Ausgewählte Machine-Learning-Algorithmen

Werkzeuge des Maschinellen Lernens:

• Programmiersprachen und Entwicklungsumgebungen
• Software-Bibliotheken
• Machine-Learning-Frameworks

Lehr- und Lernmethoden

Dialogorientierte Vorlesung mit Online-Übungsaufgaben, der Entwicklung von Modellen auf Basis von Machine-Learning-Frameworks und -Bibliotheken sowie der Bearbeitung, Auswertung und Präsentation von Fallstudien durch die Teilnehmenden.

Teilnahmeanforderungen

Das Studium des Seminars gliedert sich in 2 Lehrphasen, die für den Erhalt der Teilnahmebescheinigung obligatorisch sind:

• Selbststudienphase
• Präsenzphase (2,5 Tage, direkt anschießend, Präsenzzeiten im Zeitraum von 09:15 – 18.30 Uhr): Dialogorientierte Vorlesung mit Fallbeispiel

Unsere Dozierenden

Dipl. Inf. Uwe Neuhaus studierte Informatik an der Technischen Universität Braunschweig und absolvierte anschließend ein einjähriges, interdisziplinäres Vertiefungsstudium an der Washington University in St. Louis, USA. Mehrere Jahre arbeitet er als wissenschaftlicher Mitarbeiter im Lehrgebiet für Datenbanken und Informationssysteme an der FernUniversität Hagen. Zu Beginn des Jahrtausends wechselte er zur NORDAKADEMIE und war dort als wissenschaftlicher Mitarbeiter und Dozent tätig. 2005 ging Herr Neuhaus in die Wirtschaft und arbeitete als Technical Trainer und Manager Training für ein mittelständiges Softwareunternehmen. Im Jahr 2011 kehrte er an die NORDAKADEMIE zurück und wirkte dort zunächst beim Aufbau des Masterstudiengangs "Wirtschaftsinformatik/IT-Management" mit. Später beteiligte er sich an der Entwicklung des Masterstudiengangs "Applied Data Science". An der Hochschule hielt Herr Neuhaus regelmäßig Vorlesungen zu den Themen Algorithmen, Analytische Informationssysteme und Data Science. Seit 2022 arbeitet er für die Europa-Universität Flensburg und beschäftigt sich dort mit Chancen und Herausforderungen des Einsatzes Künstlicher Intelligenz im Bildungsbereich.