Kurse

Während der Kurse wird jedem Teilnehmer ein Laptop zur Verfügung gestellt, um die Beispiele in Form von Jupyter Notebooks in Python auszuprobieren. Vorkenntnisse sind nicht erforderlich!

 


Über unsere Kurse:

Unser Kursangebot wurde im September 2018 mit dem Thema “Einführung in das maschinelle Lernen” in Form von einem Tageskurs gestartet. Bitte, abonnieren Sie unseren Newsletter um  die genauen Termine rechtzeitig zu erfahren.

Für das AMA Kursangebot wurde ein flexibler und erweiterbarer Ansatz gewählt, der das anwendungsorientierte und nachhaltige Qualifikationskonzepte unterstützt. Das AMA Kursangebot  umfasst a) die Vermittlung von grundlegenden Kompetenzen (ML: Grundlagen & Methoden), die sowohl die Grundlage für die weiterführenden Kurse legen als auch zu einer nachhaltigen Kompetenzerweiterung beitragen und b) anwendungsspezifische Kurse (ML in Industrie 4.0), welche die Trainingsteilnehmer in die Lage versetzen sollen, das erlernte ML-Wissen in ihrem konkreten Arbeitsumfeld umzusetzen. Für beide Bereiche werden zudem vielfältige “Labore” angeboten (in der Abbildung in blau), welche den Qualifikationsprozess um Praxisphasen erweitern (siehe auch Abschnitt 3.3.2). Bei der AMA Ausbildung wird außerdem besonderer Wert darauf gelegt, die Trainingsteilnehmer in die Lage zu versetzen in den typischerweise interdisziplinären Teams von Data Science Projekten in der Praxis effektiv zusammenzuarbeiten, indem auch an der Entwicklung eines gemeinsamen Verständnisses zwischen Domänenexperten und Data Scientists und eines gemeinsamen Vokabulars für solche Projekte gearbeitet wird.

 

ML1 Einführung in das Thema ML, die zentralen ML Aufgaben Klassifizierung und Regression, sowie ML Konzepte wie Methodenauswahl, Modellauswahl und –evaluation, etc.
ML2 Grundlagen und verschiedene Architekturen von tiefen neuronalen Netzen (Deep Neural Networks) sowie deren Anwendungsmöglichkeiten; Überblick über gängige Software-Frameworks.
ML3 ML Methoden für den Umgang mit großen Datenvolumen und mit Datenströmen; umfasst verteilte Methoden, Clustering von Datenströmen, Outlier-Erkennung.
ML4 Einführung in das Ökosystem der Big Data Frameworks wie das MapReduce Programmiermodell, Hadoop und Spark sowie in Programmiersprachen wie Hive und SPARK-SQL.
ML5 Einblick in das Lernen aus Daten für Einsichten und Vorhersagen;  Einführung in die Vorbereitung der Daten (z.B. Sampling, Cleaning), explorative Datenanalyse, Vorhersagen, Visualisierung, verständliche Zusammenfassung und Storytelling auf der Grundlage von realistischen Beispielen.
ML6 Überblick über die zahlreichen Sprachen und Frameworks im Bereich Data Mining (DM) und Machine Learning; Vertiefung in den populären Skript-Sprachen wie R und Python sowie in DM/ML Frameworks wie Weka.
ML7 Abdeckung des gesamten Knowledge Discovery Prozesses mit Schwerpunkt auf dem Lernen aus Daten; Methoden für Clustering, Frequent Set Mining und Outlier-Erkennung.
ML8 Data-Mining-Methoden in Verbindung mit Methoden der Informationsvisualisierung, um aus großen Datenmengen durch interaktive Exploration neue Erkenntnisse und Zusammenhänge zu gewinnen; Relevante Aspekte der menschlichen Wahrnehmung und Interaktionskonzepte.
Lab1 Sammeln von Hands-on Erfahrungen mit ML Techniken und mit den entsprechenden Software-Paketen, die das maschinelle Lernen unterstützen.
Lab2 Praktische Übungen mit Visual Analytics Tools mit Daten aus der Produktionstechnik.
Lab3 Vermittlung von Hands-on Erfahrung zum Thema Data Science durch ein konkretes Data-Science Projekt.
Lab4 Praktische Übungen zu Deep-Learning-Architekturen mit Frameworks wie z. B. Torch, Caffe oder TensorFlow.
MLI1 Einführung in die Herausforderungen und Möglichkeiten der Nutzung von ML Methoden im Industrie 4.0 Kontext, Überblick über Methoden und Ansätze.
MLI2 Einführung in Methoden und Technologien für die adaptive Fertigungssteuerung; State-of-the-Art Umgebungen  zur Unterstützung der Maschinensteuerung wie SAP HANA und Siemens Mindsphere.
MLI3 Herausforderungen, Methoden und Frameworks für den Umgang mit vielfältigen Sensordaten; Darstellung von Ansätzen zur Datenvorverarbeitung.
MLI4 Methoden und Ansätze der Predictive Maintenance im Industrie 4.0 Umfeld.
MLI5 Ansätze, Methoden und Werkzeuge für die erfolgreiche Anwendung von Process Mining im Bereich der vernetzten Maschinen im Industrie 4.0 Umfeld.
LabI1 Hands-on Erprobung von Data Mining Methoden in einer Industrie 4.0 Umgebung; Nutzung von State-of-the-Art Umgebungen für Industrie 4.0 wie SAP Hana und Siemens Mindsphere.
LabI2 .Hands-On Anwendung von ML Methoden in der Steuerung von Maschinen und Fertigungsabläufen; Entwicklung und Erprobung von Lösungen in einer Industrie 4.0 Umgebung.
LabI3 Hands-on: Sammeln von Erfahrungen in einem Projekt mit sehr großen Datenströmen.
LabI4 Aufgaben zur industriellen Bildverarbeitung und Mustererkennung mit Computer Vision und Machine bzw. Deep Learning Frameworks.
EK1 Schnupperveranstaltung für Unternehmen, Mischung aus Technologieüberblick und Anwendungsbeispielen
EK2 Überblick über ethische und rechtliche Aspekte automatisierter Entscheidungsprozesse; Vermeidung von Bias bei der Auswahl und Vorbereitung von Modellen und Daten.
EK3 Rechtliche Anforderungen hinsichtlich des Schutzes von Daten im Anwendungsbereich der Industrie 4.0; Vermittlung eines Grundverständnisses über die datenschutzrechtlichen Bestimmungen bei der Verarbeitung von Daten; Betrachtung angrenzender Themen, wie z.B. Fragen zum Dateneigentum oder Nutzungsrechte.
EK4 Methoden und Ansätze für die erfolgreiche Planung, Vorbereitung  und Durchführung von Data-Science-Projekten mit zahlreichen illustrativen Beispielen.