Machine Learning Entwickler:in mit berufsbezogener Deutschförderung

Berufliche Kommunikation im Arbeitskontext (ca. 1 Tag)

Kommunikation in typischen beruflichen Situationen

Anwendung berufsbezogener Fachbegriffe im Arbeitskontext

Berufsbezogene Texte, Arbeitsanweisungen und betriebliche Informationen verstehen

Gespräche und Besprechungen im beruflichen Kontext verstehen

Berufliche Korrespondenz (ca. 2 Tage)

Layout und Gestaltung beruflicher Schreiben

Zeitgemäße Anreden und Briefeinstiege

Kundenorientierte Briefe und E-Mails verfassen

KI-gestützte Formulierungshilfen für E-Mails und Schreiben

Berichtswesen im Unternehmen

Bewerbungsanschreiben nach DIN 5008 erstellen

Künstliche Intelligenz (KI) in der beruflichen Kommunikation (ca. 1 Tag)
Überblick über KI-Tools im beruflichen Arbeitsumfeld
Unterstützung bei beruflicher Korrespondenz durch KI
Erstellung und Optimierung beruflicher Texte mit KI
Chancen und Grenzen von KI im Arbeitsalltag

Berufsfeld Kommunikationsmanagement (ca. 3 Tage)

Kommunikation im Unternehmen

Kommunikationsformen in Teams

Besprechungen und Präsentationen

Konfliktmanagement

Mitarbeitergespräche führen

Vorstellungsgespräche führen

Verkaufs- und Beratungsgespräche

Angebote verfassen

Messen und Produktpräsentationen

Reklamationen bearbeiten

Berufsfeld Wirtschaft (ca. 6 Tage)

Grundlagen aus Personal, Management und Arbeitsrecht

Grundlagen aus Finanzwesen und Controlling

Aufbau und Inhalte von Lohn‐ und Gehaltsabrechnungen

Betriebliche Auswertungen, Diagramme und Statistiken verstehen und interpretieren

Berufsfeld Marketing (ca. 6 Tage)

Grundlagen der Werbung

Marktanalyse und Marktforschung

Online‐Marketing und E‐Commerce

Marketingkommunikation

Einsatz von KI bei der Erstellung von Marketingtexten

Unternehmensprozesse (ca. 7 Tage)

Umstrukturierungen und Prozessmanagement

Prozessveränderungen im Unternehmen

Digitale Transformation

Energiemanagement und

Umweltschutz im Unternehmen

Projektmanagement

Berufsfeld Logistik und Handel (ca. 8 Tage)

Produktion

Einkauf und Beschaffung

Lieferung und Transport

Einzelhandel

Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung „Goethe-Test PRO“ (ca. 6 Tage)

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 Notebooks

NumPy und Pandas für die Datenanalyse

Import und Export verschiedener Datenquellen, z. B. Excel und CSV

Auswahl 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 Datenschutz

Anbindung und Nutzung unterschiedlicher Datenquellen und Datenbanksysteme

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-KPIs

Überblick 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

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 Datenvorverarbeitung

Skalierung, 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

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