Jetzt mit der Online-Weiterbildung starten!
Ganzjähriger Einstieg möglich!
Zeitlich und örtlich vollkommen flexibel lernen!

Weiterbildungsziel

Kaum eine Technologie hat unsere Gesellschaft in den vergangenen Jahren so geprägt wie Künstliche Intelligenz und deren zentrale Werkzeugkiste, das Machine Learning. Die Entwicklung zu einer Gesellschaft, deren Rückgrat automatisierte und KI-gestützte Methoden, Lösungen und Produkte sind, scheint unvermeidlich. Aber woher kommt die Macht und universelle Einsetzbarkeit dieser Methode eigentlich?

Ziel des Kurses Machine Learning: Konzepte, Modelle, Lernverfahren ist es, einen grundlegenden und allgemein zugänglichen Überblick über Basis und Methoden des Machine-Learnings zu geben. Interessierte aus allen Bereichen sollen so einen möglichst nicht-technischen Einblick in dieses faszinierende und wichtige Wissensgebiet erhalten. Das Hauptaugenmerk liegt dabei auf:

• Was Machine Learning ist und wie es funktioniert
• Verschiedene Arten und Modelle im Machine Learning kennen lernen
• Wie man Machine Learning umsetzt und wo dessen Grenzen liegen

Jetzt kostenlos Infomaterial anfordern!

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

StartdatumJederzeit starten!

Dauer2-4 Monate

Modus100% online lernen

Prüfungonline & jederzeit

Infomaterial zusenden

Dozent

Priv-Doz. Mag. Dr. Andreas Krassnigg, Universität Graz.
Andreas Krassnigg ist promovierter Physiker. Bis zu und nach seiner Habilitation im Fach Theoretische Physik an der Karl-Franzens Universität Graz beschäftigte er sich mit sub-atomarer Teilchenphysik und einer nicht-perturbativen Behandlung der Starken Wechselwirkung zwischen Elementarteilchen.

Die dabei bewährten Methoden erlaubten es ihm, sich in der Folge mit den Methoden des Machine Learning und Data Science vertraut zu machen und damit in verschiedenen Bereichen interessante Anwendungen zu finden und zu entwickeln, insbesondere in der Bioinformatik. Aktuell unterrichtet er an der Universität Graz zu computergestützten Algorithmen und beschäftigt sich intensiv mit der aktuellen Vielfalt der Anwendungen von Machine Learning und künstlicher Intelligenz.

Fachliche Betreuung:
Studienabteilung KI & Informatik

Was lerne ich im Kurs?

2 Wochen kostenlos testen – Studieren probieren!

Nutzen Sie die Möglichkeit bereits vor Beginn Ihrer Weiterbildung kostenlos und unkompliziert einen Einblick in Ihre(n) Wunschkurs(e) bei uns zu bekommen und unsere Lernplattform zu testen.

• Schon vor Beginn meiner Weiterbildung meine Lernplattform testen!
• 2 Wochen lang meine Wunschkurse kostenlos & unverbindlich testen!
• Alle Infos zur Aktion gibt es hier!

Jetzt kostenlos testen!

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

Weiterbildungsgebühr sparen & Fördermöglichkeiten nutzen!

Meine Weiterbildung fördern lassen:

• Online Weiterbildungszeit (AMS)
• Förderungen einzelner Bundesländer (z.B. waff „Digi Winner“)
• Steuern sparen – Bis zu 55 % der Weiterbildungsgebühr vom Finanzamt zurückholen!
• Übersicht Fördermöglichkeiten hier!

Jetzt Kostenvoranschlag für meine Förderstelle anfordern

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

Dozent

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

Kursinfo Machine Learning: Konzepte, Modelle, Lernverfahren

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: