Intensiv-Kurse Online – 3 bis 5 Tages Kurs – 100 % flexibles Fernstudium
Jederzeit online starten möglich!
Inklusive Forum und fachlicher Betreuung!

Jetzt kostenlos Infomaterial anfordern!

Wir senden Ihnen kostenlos und unverbindlich Infomaterial zu Ihrer flexiblen Online-Weiterbildung.

StartdatumJederzeit starten!

Dauer3 bis 5 Tage!

Modus100% online lernen

AbschlussBestätigung der Teilnahme

Infomaterial zusenden

Dozent

• Priv-Doz. Mag. Dr. Andreas Krassnigg, Universität Graz

Meine Vorteile

• Zeitsparend: In 3 – 5 Tagen zur Teilnahmebestätigung!
• 100% flexibel: Lernen wann, wo & wie ich will!
• Entspannt Lernen: Inkludiert 30 Tage Lernplattform-Zugang!
• Umfassendes Übungsmaterial: Folien, Lehrvideos, Fallstudien, 100 offene Fragen zum Stoff!
• Interaktives Forum: Netzwerken im Chat – Wissen verbindet!
• Anerkannte Teilnahmebestätigung für aktive Mitarbeit im Forum!
• Zertifizierte Bildungseinrichtung: Ö-CERT, TÜV Austria, ISO 21001:2018,  ISO 9001:2015, Cert NÖ Siegel!

30 Tage Live-Webinare kostenlos inkludiert:

Während der gesamten Weiterbildung erwarten dich wöchentlich spannende Online-Live-Webinare mit erfahrenen Dozent*innen – von A bis Z, für jedes Themengebiet.

• Komplett kostenlos inkludiert 🎓🔥

Übersicht der Online-Live-Webinare ansehen

Kursinhalte – worüber ich mir fachliches Wissen angeeignet habe:

• Machine Learning und Daten: Begriffe und Konzepte
  • Definition von Machine Learning und Abgrenzung zu verwandten Bereichen
  • Eine kurze Geschichte des Machine Learning
  • Was wir durch Machine Learning lernen können
  • Daten als Fundament des Machine Learning
  • Arten von Daten
  • Datenqualität und ihre Auswirkungen
  • Datenbereitstellung: Online-Learning und Batch-Learning
  • Big Data: Eine Übersicht
• Hauptansätze für Machine Learning
  • Einführung in Supervised Learning (Überwachtes Lernen)
  • Prinzipien und Funktionsweise des Supervised Learning
  • Regression: Vorhersage numerischer Werte
  • Klassifikation: Zuordnung zu Kategorien
  • Einführung in Unsupervised Learning (Unüberwachtes Lernen)
  • Grundkonzepte und Anwendungen des Unsupervised Learning
  • Anomaly Detection: Finden von Ausreißern
  • Clustering: Entdecken von Mustern in Daten
  • Dimensionsreduktion: Vereinfachung komplexer Datensätze
  • Selbstorganisierende Karten
  • Visualisierung komplexer Daten
  • Ein halbes Wort zu Semi-Supervised Learning (Teilüberwachtes Lernen)
  • Grundprinzip des Reinforcement Learning (Verstärkendes Lernen)
  • Unterschiede des Reinforcement Learning zu anderen Ansätzen
  • Typische Anwendungssituationen für Reinforcement Learning
• Typischer Machine Learning Workflow
  • Problemdefinition
  • Datenvorbereitung und -verarbeitung
  • Datensammlung und -bereinigung
  • Featureauswahl und -engineering
  • Datentransformation und -normalisierung
  • Aufteilung in Trainings-, Validierungs- und Testdaten
  • Modellauswahl und Training
  • Hyperparameter-Tuning
  • Erstellen von Vorhersagen
  • Modellevaluierung und -optimierung
  • Metriken zur Bewertung von Modellen
  • Visualisierung von Trainingsfortschritt und Modellbewertung
  • Kreuzvalidierung und robuste Evaluierungstechniken
  • Feinabstimmung und Verbesserung von Modellen
  • Deployment und Monitoring
  • Integration von Modellen in bestehende Systeme
  • Kontinuierliche Überwachung und Aktualisierung
• Verschiedene Arten von Machine Learning Modellen
  • Erste und einfache Machine Learning Modelle
  • Entscheidungsbäume und Random Forests
  • K-Nearest Neighbors
  • Support Vector Machines (SVMs)
  • Künstliche Neuronale Netze und Deep Learning
  • Architekturen künstlicher neuronaler Netze
  • Fortgeschrittene und alternative Architekturen und Konzepte
• Schwierigkeiten und Grenzen des Machine Learning
  • Technische Herausforderungen im Überblick
  • Unzureichende Datenqualität oder -quantität
  • Unausgewogenheit der Daten (Bias)
  • Skalierbarkeit und Rechenaufwand
  • Overfitting und Underfitting
  • Interpretierbarkeit und Erklärbarkeit
  • Inhärente Grenzen einfacher Modelle
  • Black-Box-Problematik bei komplexen Modellen
  • Prinzipielle Vorhersagegrenzen in komplexen Systemen

Fakten

• Kursdauer: 3 - 5 Tage, 100 % zeitlich + örtlich flexibel einteilbar!
• Format: e-Learning mit interaktivem Forum & Chat zum Lernen
• Zugang zur Lernplattform: inkludiert 30 Tage
• Kursstart: an 365 Tagen im Jahr starten möglich!
• Workload: 3-5 Tage (24 Stunden), flexible Zeiteinteilung, zusätzlich 30 Tage Zugang zu Online Kursmaterialien, Forum, Live-Chat, Live-Webinare
• Leistungsnachweis: Teilnahmebestätigung (mind. 5 fachliche Beiträge/Postings im Forum erstellen)
• Kursgebühr: €299,-
• Abschluss: Teilnahmebestätigung im Intensivkurs
• Upgrade zum vollwertigen Zertifikat: €651,- (+ Online-Prüfung absolvieren)

Zielgruppe

• Für alle Wissenshungrigen, die neueste Fachkenntnisse in kurzer Zeit erwerben möchten
• Für Firmen zur Höherqualifizierung der Mitarbeiter*innen

Silke Werfring, BA, MA

• Mail: studienberatung@amc.or.at
• Telefon: +43 676 898 77 80

Bettina Zeiler-Kern

• Mail: studienberatung@amc.or.at
• Telefon: +43 676 898 77 80

Doris Ofner

• Mail: studienberatung@amc.or.at
• Telefon: +43 676 898 77 80

Jaqueline Kraiger, BA

• Mail: studienberatung@amc.or.at
• Telefon: +43 676 898 77 80

Absolvent*innen sind in der Lage …

• die grundlegenden Begriffe und Konzepte des Machine Learning zu definieren.
• die verschiedenen Arten von Daten im Kontext des Machine Learning zu unterscheiden.
• die Hauptansätze des Machine Learning (überwachtes, unüberwachtes und verstärkendes Lernen) zu erklären.
• die Prinzipien von Regression und Klassifikation im überwachten Lernen zu beschreiben.
• die Grundkonzepte und einfache Beispiele des unüberwachten Lernens zu erläutern.
• den typischen Machine Learning Workflow von der Problemdefinition bis zum Deployment zu skizzieren.
• beispielhaft die Funktionsweise grundlegender Machine Learning Modelle zu beschreiben.
• verschiedene Architekturen künstlicher neuronaler Netze und deren Rolle im Deep Learning zu diskutieren.
• beispielhaft fortgeschrittene und alternative Architekturen und Konzepte von künstlichen neuronalen Netzen zu benennen.
• die technischen Herausforderungen und Grenzen des Machine Learning zu beurteilen.

Kursinhalte – worüber ich mir fachliches Wissen angeeignet habe:

• Machine Learning und Daten: Begriffe und Konzepte
  • Definition von Machine Learning und Abgrenzung zu verwandten Bereichen
  • Eine kurze Geschichte des Machine Learning
  • Was wir durch Machine Learning lernen können
  • Daten als Fundament des Machine Learning
  • Arten von Daten
  • Datenqualität und ihre Auswirkungen
  • Datenbereitstellung: Online-Learning und Batch-Learning
  • Big Data: Eine Übersicht
• Hauptansätze für Machine Learning
  • Einführung in Supervised Learning (Überwachtes Lernen)
  • Prinzipien und Funktionsweise des Supervised Learning
  • Regression: Vorhersage numerischer Werte
  • Klassifikation: Zuordnung zu Kategorien
  • Einführung in Unsupervised Learning (Unüberwachtes Lernen)
  • Grundkonzepte und Anwendungen des Unsupervised Learning
  • Anomaly Detection: Finden von Ausreißern
  • Clustering: Entdecken von Mustern in Daten
  • Dimensionsreduktion: Vereinfachung komplexer Datensätze
  • Selbstorganisierende Karten
  • Visualisierung komplexer Daten
  • Ein halbes Wort zu Semi-Supervised Learning (Teilüberwachtes Lernen)
  • Grundprinzip des Reinforcement Learning (Verstärkendes Lernen)
  • Unterschiede des Reinforcement Learning zu anderen Ansätzen
  • Typische Anwendungssituationen für Reinforcement Learning
• Typischer Machine Learning Workflow
  • Problemdefinition
  • Datenvorbereitung und -verarbeitung
  • Datensammlung und -bereinigung
  • Featureauswahl und -engineering
  • Datentransformation und -normalisierung
  • Aufteilung in Trainings-, Validierungs- und Testdaten
  • Modellauswahl und Training
  • Hyperparameter-Tuning
  • Erstellen von Vorhersagen
  • Modellevaluierung und -optimierung
  • Metriken zur Bewertung von Modellen
  • Visualisierung von Trainingsfortschritt und Modellbewertung
  • Kreuzvalidierung und robuste Evaluierungstechniken
  • Feinabstimmung und Verbesserung von Modellen
  • Deployment und Monitoring
  • Integration von Modellen in bestehende Systeme
  • Kontinuierliche Überwachung und Aktualisierung
• Verschiedene Arten von Machine Learning Modellen
  • Erste und einfache Machine Learning Modelle
  • Entscheidungsbäume und Random Forests
  • K-Nearest Neighbors
  • Support Vector Machines (SVMs)
  • Künstliche Neuronale Netze und Deep Learning
  • Architekturen künstlicher neuronaler Netze
  • Fortgeschrittene und alternative Architekturen und Konzepte
• Schwierigkeiten und Grenzen des Machine Learning
  • Technische Herausforderungen im Überblick
  • Unzureichende Datenqualität oder -quantität
  • Unausgewogenheit der Daten (Bias)
  • Skalierbarkeit und Rechenaufwand
  • Overfitting und Underfitting
  • Interpretierbarkeit und Erklärbarkeit
  • Inhärente Grenzen einfacher Modelle
  • Black-Box-Problematik bei komplexen Modellen
  • Prinzipielle Vorhersagegrenzen in komplexen Systemen

Zielgruppe

• Unternehmer*innen, Geschäftsführer*innen und Abteilungsleiter*innen, die für KI- Transformationsprojekte, KI-gestützte Innovation, andere Digitalisierungsprojekte oder digitale Veränderungs- und Entwicklungsprozesse in Unternehmen verantwortlich sind oder sein möchten.
• Personen, die sich für aktuelle technologische und gesellschaftliche Megatrends interessieren und zentrale Transformationsimpulse für Unternehmen und Organisationen daraus ableiten möchten.
• Personen, die Interesse an Möglichkeiten zur zukunftsorientierten Verwendbarkeit von Daten in ihrem Bereich oder im Unternehmen haben.
• Personen, die Grundlagen beim Einsatz von Machine Learning und Künstlicher Intelligenz kennen lernen oder besser verstehen möchten.
• Personen, die Sorge haben, ihre Expertise könnte durch den KI-Einsatz verdrängt werden, und besser verstehen möchten, ob und inwieweit diese Sorge berechtigt ist.
• Personen, die sich von den Methoden der Künstlichen Intelligenz und des Machine Learning für künftige berufliche Orientierung inspirieren lassen möchten.

Aufgabengebiete

Als Absolvent*in des Kurses Machine Learning: Konzepte, Modelle, Lernverfahren verfügen Sie über die erforderlichen Kompetenzen, um beispielsweise die folgenden Tätigkeiten und Funktionen zu übernehmen:

• Erkennen von Anwendungsmöglichkeiten von Machine Learning für Ihr Unternehmen bzw. generell als Instrumente für Innovation.
• Verständnis und Verwendung von KI-Grundlagen durch ein grundlegendes Verständnis von Machine Learning.
• Beurteilung der Grenzen von Machine Learning auf der Basis grundlegender Prinzipien.
• Zusammenarbeit mit internen und externen KI-Experte*innen durch Verbindung von unternehmerischem und einschlägigem Wissen.
• Unterstützung der Implementierung von Machine-Learning-basierten Tools im Unternehmen.
• Förderung der digitalen Transformation im Unternehmen durch gezielte und realistische Einschätzung des Potentials von Machine Learning.

Beschäftigungsmöglichkeiten und mögliche Arbeitsbereiche

Absolvent*innen können in vielen verschiedenen Bereichen und Branchen arbeiten:

• Industrie-, Handels- und Dienstleistungsunternehmen aller Branchen
• Consulting Unternehmen
• IT-Dienstleister*innen, IT-Berater*innen und IT-Implementierungsunternehmen
• Hard- und Software-Unternehmen
• öffentliche Betriebe und Verwaltungen (Bund, Länder, Gemeinden)
• Organisationen und Verbände
• Interessensvertretungen und Kammern
• Wirtschaftsprüfungs- und Steuerberatungskanzleien
• Non-Profit-Organisationen
• Banken, Versicherungsunternehmen und Finanzdienstleister*innen
• Unternehmen der Informations- und Medienwirtschaft (Rundfunk, TV, Internet, Printmedien, Produktionshäuser und Verlage)
• Telekommunikations- und Internetanbieter*innen
• E-Business und E-Commerce
• Energiewirtschaft
• Forschung, Hochschul- und Bildungssektor
• Tourismus und Gastgewerbe (eTourismus)
• Personalberater*innen und -dienstleister*innen
• Service- und Content-Provider*innen
• Webdienstleister*innen

Lernfragen Machine Learning: Konzepte, Modelle, Lernverfahren

Selbsttest Machine Learning: Konzepte, Modelle, Lernverfahren

Möchten Sie Musterkursmaterial für Ihren Lieblingskurs?

Lust auf mehr Musterkursmaterial? – Informationen hier anfordern: