Data-Engineering

In den meisten Organisationen ist ein Data Engineer die zentrale Rolle, die für die Integration, Transformation und Konsolidierung von Daten aus verschiedenen strukturierten und unstrukturierten Datensystemen verantwortlich ist, um Strukturen zu schaffen, die für den Aufbau von Analyselösungen geeignet sind. In diesem Schulungsmodul demonstrieren wir nützliche Techniken und Tools zum Aufbau effizienter Datenplattformen. Als Data Analyst oder Data Engineer lernen Sie außerdem, wie Sie data pipelines und data storage leistungsfähig, effizient, organisiert und zuverlässig einsetzen können, basierend auf spezifischen Geschäftsanforderungen und Einschränkungen.

Datenanalyse & Visualisierung

Ein Data Analyst ermöglicht es Unternehmen, den Wert ihrer Datenressourcen durch Visualisierungs- und Berichtstools voll auszuschöpfen. Während dieses Schulungsmoduls lernen Data Analysts, wie man skalierbare und effektive Datenmodelle entwirft und erstellt, fortgeschrittene Analytik in Berichte einbindet und implementiert und rohe Daten in relevante und bedeutungsvolle Erkenntnisse umwandelt.

Datenverwaltung

Datenverwaltung umfasst eine Sammlung von Prozessen, Richtlinien, Rollen, Metriken und Standards, die die effiziente und effektive Nutzung von Informationen gewährleisten. Sie trägt auch zur Entwicklung von Datenmanagementpraktiken bei, die die Datensicherheit, den Datenschutz, die Genauigkeit und die Nutzbarkeit während des gesamten Datenlebenszyklus gewährleisten. Es stehen verschiedene zielgerichtete Dienste und Methoden zur Verfügung, um die Datenverwaltung im Einklang mit den Herausforderungen der modernen Zeit zu entwerfen und umzusetzen.

Maschinelles Lernen

Dieses Modul bietet eine umfassende Einführung in das maschinelle Lernen (ML), wobei die wichtigsten Konzepte, Techniken und Algorithmen behandelt werden. Es beginnt mit einem Überblick über die Geschichte und Anwendungen von ML und geht dann auf überwachtes, unbeaufsichtigtes und verstärkendes Lernen ein. Themen sind Entscheidungsbäume, Ensemble-Methoden (Random Forest, XGBoost) und neuronale Netze, mit besonderem Fokus auf Convolutional Neural Networks (CNNs) für die Bildverarbeitung und Transformer-Modelle für die Verarbeitung natürlicher Sprache, einschließlich GPT-Modelle. In praxisorientierten Sitzungen werden Datenerfassung und -verarbeitung, ML-Frameworks (TensorFlow, PyTorch) und die Modellevaluation behandelt. Das Modul endet mit realer Implementierung, Optimierung und einem Fokus auf verantwortungsbewusstes ML unter Berücksichtigung von Datenschutz, Sicherheit und ethischen Aspekten.

Maschinelles Lernen Operations

Dieses Modul befasst sich mit dem Thema MLOps (Machine Learning Operations) und konzentriert sich darauf, wie man ML-Systeme effizient und skalierbar in realen Geschäftsumgebungen betreibt. Durch Präsenz- und Online-Vorträge sowie praktische Beispiele werden die wichtigsten Methoden und Techniken in MLOps vorgestellt. Die Teilnehmer lernen zunächst die Grundlagen des Designs von ML-Systemen kennen, wobei der Fokus darauf liegt, wie die Unternehmensziele mit den Zielsetzungen des maschinellen Lernens in Einklang gebracht werden können. Danach werden Best Practices für die einzelnen Komponenten behandelt. Zu den zentralen Themen gehören data engineering, Datenaufbereitung, Merkmalsextraktion, Modellentwicklung, Bewertung und Implementierung sowie das Monitoring von Datenübertragung. Das Modul behandelt auch kontinuierliches Lernen, MLOps-Tools und -Infrastruktur sowie die menschlichen Aspekte des maschinellen Lernens, wie Benutzererfahrung, Teamstruktur und verantwortungsbewusste KI-Praktiken.

Sprachmodelle und generative künstliche Intelligenz

Dieses Modul beinhaltet eine Reihe von Sitzungen zu KI, maschinellem Lernen und Prompt Engineering. Es führt in Schlüsselkonzepte wie KI-Modelle, Sequence-to-Sequence-Netzwerke und große Sprachmodelle (LLMs) ein. Die Themen umfassen die praktischen und theoretischen Grundlagen des Prompt Engineering, dessen Rolle bei der Codegenerierung, Datenverarbeitung und Fehlerbehebung. Weitere Bereiche sind RAG-Systeme, KI-Sicherheit, verantwortungsbewusste Codegenerierung sowie die neuesten Entwicklungen in generativen Modellen und APIs. Optionale Themen untersuchen generative Kunst, Sentiment-Analyse und ethische Bedenken bei AI-generierten Inhalten.

Künstliche Intelligenz im Unternehmensumfeld

Dieses Modul untersucht das Potenzial von KI-Assistenten, insbesondere Microsoft Copilot, in verschiedenen Unternehmensbereichen. Es werden praktische Anwendungsfälle für Geschäftsleiter, juristische Berater und HR-Rollen vorgestellt. Darüber hinaus wird demonstriert, wie generative KI (GenAI) im gesamten Softwareentwicklungszyklus angewendet werden kann, von der Anforderungsanalyse bis zur Wartung, mithilfe von Tools wie ChatGPT und GitHub Copilot zur Unterstützung und Automatisierung von Aufgaben wie Codierung, Testen und Bereitstellung.

Rechtliche und Compliance-Aspekte der künstlichen Intelligenz

Dieses Modul konzentriert sich auf die aktuellen gesetzlichen Regelungen rund um künstliche Intelligenz, mit besonderem Fokus auf die neue EU KI-Verordnung und deren Compliance-Anforderungen. Der Kurs bietet einen detaillierten Überblick über die Technologieregulierung und identifiziert die wichtigsten praktischen Fragestellungen und herausfordernden Bereiche. Die Teilnehmer erhalten ein umfassendes Verständnis der rechtlichen Rahmenbedingungen rund um KI und sind mit dem während des Kurses erworbenen Wissen besser gerüstet, um sich in diesem rasch entwickelnden Bereich der Compliance zurechtzufinden und die komplexen Herausforderungen zu meistern. Das Modul erleichtert auch die Bereitstellung von KI-Kompetenz, ethischer und rechtlicher Schulung, wie sie von der KI-Verordnung sowohl für Anbieter als auch für Nutzer von KI-Systemen vorgeschrieben wird.