Hinweis
Dieses Modul kann nur im Rahmen des Zertifikatslehrgangs Fachingenieur Data Science VDI gebucht werden.
- Wahrscheinlichkeiten
- Einige typische Verteilungen
- Regressionsalgorithmen
Veranstaltungsnummer: 02LE083
- Mathematische Grundlagen und Begriffe
- Methoden des überwachten und unüberwachten Lernens
- Reinforcement-Learning
Kommende Termine:
06. – 07. Februar 2025
Düsseldorf
Verfügbar
Unsere Zertifikatslehrgänge sind nicht online buchbar. Senden Sie uns jetzt eine Buchungsanfrage und wir beraten Sie gerne zu individuellen Buchungsmöglichkeiten. Nach Ihrer Anfrage melden wir uns schnellstmöglich bei Ihnen zurück.
Lehrgang anfragenSelbstlernende Systeme zur automatischen Analyse großer Datenbestände
Neben den klassischen Methoden der Statistik haben sich vor allem selbstlernende Algorithmen bei der Analyse großer Datenbestände etabliert. Doch im Bereich des maschinellen Lernens existiert eine Vielzahl an Methoden und Werkzeugen mit z.T. sehr unterschiedlichen Stärken und Schwächen. Das Modul 3 des Zertifikatslehrgangs „Fachingenieur Data Science VDI“ zeigt Ihnen, welche Verfahren der Datenanalyse sich für welche technischen Anwendungen eignen.
Außerdem lernen Sie das Konzept der neuronalen Netze kennen und erfahren, worin sich die Methoden des überwachten und unüberwachten Lernens unterscheiden. Das Modul informiert Sie ebenso über die Möglichkeiten des sogenannten „Reinforcement Learning“. Anhand eines Anwendungsbeispiels sehen Sie, wie Sie diese vielversprechende Methode des maschinellen Lernens auf eine Ressourcenoptimierungsaufgabe anwenden.
Das 3. Pflichtmodul „Datenanalyse und maschinelles Lernen“ kann nur im Rahmen des Zertifikatslehrgangs „Fachingenieur Data Science VDI“ gebucht werden. Da das Modul auf den Grundlagen aus Modul 1 und 2 basiert, empfehlen wir Ihnen, die Pflichtmodule in der vorgesehenen Reihenfolge zu besuchen. Um zur Abschlussprüfung zugelassen zu werden, müssen Sie vier Pflicht- und drei Wahlpflichtmodule besuchen. Nach bestandener Prüfung erhalten Sie das anerkannte Zertifikat „Fachingenieur Data Science VDI“.
Ihre Ansprechpartnerin
Ganna Marchuk
+49 211 62 14-123
lehrgang@vdi.de
Top-Themen
- Mathematische Grundlagen und Begriffe
- Methoden des überwachten und unüberwachten Lernens
- Reinforcement-Learning
- Inkl. Praxisbeispiele aus der Produktion
Programm
Mathematische Grundlagen und wichtige Begriffe |
Einführung in neuronale Netze
|
Methoden des überwachten Lernens und Klassifikationsaufgaben
|
Anwendungsbeispiel
|
Methoden des unüberwachten Lernens und Anomalieerkennungsaufgaben
|
Anwendungsbeispiel
|
Reinforcement-Learning und Optimierungsaufgaben
|
Anwendungsbeispiel
|
Zielgruppe
Der Zertifikatslehrgang „Fachingenieur Data Science VDI“ wendet sich an Ingenieur*innen sowie Fach- und Führungskräfte aus allen industriellen Bereichen an. Dazu zählen u. a.:
- Maschinen- und Anlagenbau
- Prozessindustrie
- Elektro- und Elektronikindustrie
- Fahrzeugindustrie
Von der Teilnahme profitieren insbesondere Leitende, Führungskräfte, Ingenieur*innen und Mitarbeitende aus den folgenden Bereichen:
- Forschung und Entwicklung
- Qualitätssicherung
- Fertigung
- Prozesstechnik
- Innovation
Der Zertifikatslehrgang richtet sich auch an Neu- und Quereinsteiger*innen sowie „Nicht-ITler“, die ihre Kenntnisse vertiefen und mit einem aussagekräftigen Zertifikat dokumentieren möchten. Programmierkenntnisse sind für die Teilnahme nicht erforderlich.
Ihr Referent
Prof. Dr. Oliver Niggemann arbeitete nach seiner Promotion im Jahr 2001 als Software-Entwickler in der Telekommunikationsbranche. 2008 übernahm er die Professur für Technische Informatik an der Hochschule Ostwestfalen-Lippe und leitete dort das Labor für „Artificial Intelligence in Automation“. Zudem war Prof. Niggemann langjähriges Vorstandsmitglied des Instituts für industrielle Informationstechnologien (inIT) und stellvertretender Leiter des Fraunhofer IOSB-INA Institutsteil für industrielle Automation. Seit 2019 ist er Universitätsprofessor für „Informatik im Maschinenbau“ an der Helmut-Schmidt-Universität/Universität der Bundeswehr Hamburg. Dort forscht er am Institut für Automatisierungstechnik im Bereich der Künstlichen Intelligenz und des maschinellen Lernens für Cyber-physische Systeme.