Zunächst stellt der Kurs mit Design Thinking einen Ansatz zum Lösen von Problemen und zur Entwicklung neuer Ideen vor. Im Anschluss geht es um das Thema Machine Learning – hier wird künstliches Wissen aus Erfahrung generiert. Zunächst wird dir der vollständige ML-Workflow nähergebracht– von der Datenaufbereitung und Modellentwicklung bis zur Bewertung und Interpretation.Abschließend wird mit dem Reinforcement Learning als einer der drei Haupttechniken des maschinellen Lernen eine Lernmethode beschrieben, in der Software durch den direkten Austausch mit ihrer Umwelt in Form von Versuch und Irrtum trainiert wird, optimale Ergebnisse zu erzielen.
-
Abschlussart: Zertifikat „Design Thinking“
Zertifikat „Machine Learning“
Zertifikat „Reinforcement Learning“ -
Abschlussprüfung: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Unterrichtszeiten: VollzeitMontag bis Freitag von 8:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)
-
Dauer: 9 Wochen
Design Thinking
Einführung in Design Thinking (ca. 1,5 Tage)
Design Thinking Prozess im Überblick
Die wichtigsten Regeln und Phasen des Design Thinking
Praxisorientierte Ansätze und Anwendungen
Digitale Tools und KI im Innovationsprozess
Phase 1: Research (ca. 0,5 Tage)
Methoden des nutzerzentrierten Research
Interviewtechniken und Bedarfsanalyse
KI-gestützte Recherche und Informationsaufbereitung
Phase 2: Synthese (ca. 0,5 Tage)
Analyse und Strukturierung von Erkenntnissen
Entwicklung von Problemdefinitionen und Personas
Visualisierung und Clusterung von Ergebnissen
Phase 3: Ideation (ca. 0,5 Tage)
Kreativtechniken zur Ideenentwicklung
Methoden zur Lösungsfindung und Bewertung
Einsatz generativer KI im Ideenprozess
Phase 4: Prototyping (ca. 0,5 Tage)
Entwicklung erster Lösungsansätze und Mockups
Einführung in Rapid Prototyping und Click Dummys
Digitale Werkzeuge zur Visualisierung von Konzepten
Phase 5: Testing (ca. 0,5 Tage)
Methoden zur Durchführung von Tests und Feedbackrunden
Analyse und Optimierung von Lösungsansätzen
Iteratives Arbeiten und agile Weiterentwicklung
Projektarbeit (ca. 1 Tag)
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 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
Reinforcement Learning
Einführung in Reinforcement Learning (ca. 1 Tag)
Definition und grundlegende Konzepte
Unterschiede zu anderen Lernmethoden
Anwendungsbereiche und Beispiele
Markov Decision Processes (MDPs) (ca. 2 Tage)
Definition und Eigenschaften von MDPs
Value-Funktionen und Policy
Bellman-Gleichungen
Dynamic Programming Ansatz
Q-Learning (ca. 2 Tage)
Definition und Algorithmus
Exploration vs. Exploitation
Konvergenz- und Optimierungseigenschaften
Anwendungen in Spielen, Robotik und anderen Bereichen
Deep Reinforcement Learning (ca. 3 Tage)
Deep Q-Learning
Deep Deterministic Policy Gradients (DDPG)
Actor-Critic-Methoden
Policy Gradient-Methoden
Fortgeschrittene Themen (ca. 4 Tage)
Model-Based Reinforcement Learning
Multi-Agent Reinforcement Learning
Inverse Reinforcement Learning
Meta Reinforcement Learning
Praktische Anwendungen (ca. 3 Tage)
Implementierung von Reinforcement Learning Algorithmen
Anwendung auf ausgewählte Probleme und Fallstudien
Evaluation und Tuning der Algorithmen
Zusammenfassung und Ausblick (ca. 2 Tage)
Zusammenfassung der wichtigsten Konzepte und Ergebnisse
Herausforderungen und zukünftige Entwicklungen in Reinforcement Learning
Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.
Nach dem Lehrgang kannst du Daten für Machine-Learning-Anwendungen aufbereiten, geeignete Verfahren des überwachten und unüberwachten Lernens auswählen und Modelle trainieren, evaluieren und optimieren. Du kannst Modellergebnisse interpretieren und grundlegende Machine-Learning-Anwendungen umsetzen. Zudem kennst du aktuelle Entwicklungen im Bereich Deep Learning und generativer KI.
Außerdem verstehst du die grundlegenden Konzepte des Reinforcement Learning und kennst die Unterschiede zu anderen Lernmethoden. Du bist mit Markov-Entscheidungsprozessen, Q-Learning und Deep Reinforcement Learning vertraut und kannst fortgeschrittene Themen wie Multi-Agent- und Model-Based Reinforcement Learning anwenden.
Zusätzlich vermittelt der Kurs den Ansatz des Design Thinking, mit welchem sich innovative und nutzerzentrierte Lösungen für komplexe Herausforderungen entwickeln lassen. Du lernst die Prinzipien und den strukturierten, iterativen Ablauf des Design Thinking kennen und erfährst, wie praxisorientierte Werkzeuge, digitale Tools und Künstliche Intelligenz kreative sowie interdisziplinäre Innovationsprozesse unterstützen.
Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen sowie Personen mit Studium der (Wirtschafts-)Ingenieurwissenschaften.
Machine Learning wird branchenübergreifend eingesetzt, um große Datenmengen auszuwerten, Muster zu erkennen, Prozesse zu optimieren und Prognosen zu erstellen. Entsprechende Kenntnisse werden unter anderem in der IT, Industrie, Logistik, im Finanzwesen und Marketing eingesetzt. Kenntnisse in Python sowie in der Entwicklung, Bewertung und Anwendung von Machine-Learning-Modellen eröffnen Einsatzmöglichkeiten in daten- und KI-orientierten Tätigkeitsfeldern.
Mit Reinforcement Learning erlangst du zusätzlich branchenübergreifend gesuchte Kenntnisse, die u. a. vielfach in der Robotik und Automatisierungstechnik, aber auch in der Automobilbranche, bspw. zu Fahrassistenzfunktionen, oder in der Entwicklung und Optimierung autonomer Verkehrssysteme zum Einsatz kommt.
Dein aussagekräftiges Zertifikat gibt detaillierten Einblick in deine erworbenen Qualifikationen und verbessert deine beruflichen Chancen.
Didaktisches Konzept
Deine Dozierenden sind sowohl fachlich als auch didaktisch hoch qualifiziert und werden dich vom ersten bis zum letzten Tag unterrichten (kein Selbstlernsystem).
Du lernst in effektiven Kleingruppen. Die Kurse bestehen in der Regel aus 6 bis 25 Teilnehmenden. Der allgemeine Unterricht wird in allen Kursmodulen durch zahlreiche praxisbezogene Übungen ergänzt. Die Übungsphase ist ein wichtiger Bestandteil des Unterrichts, denn in dieser Zeit verarbeitest du das neu Erlernte und erlangst Sicherheit und Routine in der Anwendung. Im letzten Abschnitt des Lehrgangs findet eine Projektarbeit, eine Fallstudie oder eine Abschlussprüfung statt.
Virtueller Klassenraum alfaview®
Der Unterricht findet über die moderne Videotechnik alfaview® statt - entweder bequem von zu Hause oder bei uns im Bildungszentrum. Über alfaview® kann sich der gesamte Kurs face-to-face sehen, in lippensynchroner Sprachqualität miteinander kommunizieren und an gemeinsamen Projekten arbeiten. Du kannst selbstverständlich auch deine zugeschalteten Trainer:innen jederzeit live sehen, mit diesen sprechen und du wirst während der gesamten Kursdauer von deinen Dozierenden in Echtzeit unterrichtet. Der Unterricht ist kein E-Learning, sondern echter Live-Präsenzunterricht über Videotechnik.
Die Lehrgänge bei alfatraining werden von der Agentur für Arbeit gefördert und sind nach der Zulassungsverordnung AZAV zertifiziert. Bei der Einreichung eines Bildungsgutscheines oder eines Aktivierungs- und Vermittlungsgutscheines werden in der Regel die gesamten Lehrgangskosten von deiner Förderstelle übernommen.
Eine Förderung ist auch über den Europäischen Sozialfonds (ESF), die Deutsche Rentenversicherung (DRV) oder über regionale Förderprogramme möglich. Als Zeitsoldat:in besteht die Möglichkeit, Weiterbildungen über den Berufsförderungsdienst (BFD) zu besuchen. Auch Firmen können ihre Mitarbeiter:innen über eine Förderung der Agentur für Arbeit (Qualifizierungschancengesetz) qualifizieren lassen.