In dieser Weiterbildung zum Computer Vision Engineer setzen Sie sich intensiv mit maschinellem Lernen auseinander. Sie erlernen die Entwicklung und Implementierung von Algorithmen für maschinelles Lernen, die speziell auf die Verarbeitung und Analyse visueller Daten ausgerichtet sind. Ein Schwerpunkt liegt auf der Anwendung von maschinellem Lernen zur Bild- und Videoanalyse, einschließlich Objekterkennung und -verfolgung. Zudem erwerben Sie Kenntnisse in der Nutzung von Deep-Learning-Frameworks wie TensorFlow oder PyTorch, um komplexe Modelle für maschinelles Lernen zu erstellen und zu optimieren. Die Weiterbildung vermittelt Ihnen fundierte Programmierkenntnisse in Sprachen wie Python oder C++, die für die Implementierung von maschinellem Lernen erforderlich sind. Sie lernen, große Datensätze zu sammeln, vorzubereiten und für das Training von Modellen für maschinelles Lernen zu nutzen. Darüber hinaus werden Sie in die Lage versetzt, die Leistung von Algorithmen für maschinelles Lernen zu validieren und zu testen, um deren Effektivität sicherzustellen. Durch praxisorientierte Projekte wenden Sie das erlernte Wissen an und vertiefen Ihre Fähigkeiten im Bereich maschinelles Lernen. Sie arbeiten an realen Anwendungsfällen, um die Entwicklung und Implementierung von Systemen für maschinelles Lernen zu üben. Nach Abschluss der Weiterbildung sind Sie in der Lage, maschinelles Lernen in verschiedenen Branchen einzusetzen, um komplexe visuelle Daten zu analysieren und innovative Lösungen zu entwickeln.

Machine Learning Grundlagen
  • Einführung mit Fokus auf maschinelles Lernen
  • Arten des maschinellen Lernens
  • Entwicklung eines Systems aus dem Bereich maschinelles Lernen
  • Datenvorbereitung für maschinelles Lernen
  • Training und Auswahl eines Vorhersagemodells für maschinelles Lernen
  • Bewertung von Modellen
  • Ensemble Learning und Anwendungen im maschinellen Lernen

Neuronale Netze
  • Einführung in neuronale Netze mit Beispielen zu maschinellem Lernen
  • Grundprinzipien und Architektur von neuronalen Netzen
  • Mathematische Grundlagen in Zusammenhang mit maschinellem Lernen
  • Aktivierungsfunktionen und ihre Bedeutung
  • Verlustfunktionen und Optimierungsalgorithmen im Kontext maschinellen Lernens
  • Grundlagen des Trainings von neuronalen Netzen
  • Herausforderungen und Best Practices beim Training im maschinellen Lernen

Python und C Programmierung
  • Einführung: Algorithmen und Python-Grundlagen für maschinelles Lernen
  • Syntax und Semantik
  • Variablen und Zuweisungen für Anwendungen im maschinellen Lernen
  • Datentypen: Ganzzahlen, Gleitkommazahlen, komplexe Zahlen
  • Zeichenketten (str) und ihre Bedeutung für maschinelles Lernen
  • Kontrollstrukturen: if, else, elif
  • Schleifen: for und while, angewandt auf maschinelles Lernen

C++ Programmierung
  • Struktur von C-Programmen im Kontext maschinellen Lernens
  • Datentypen, Konstanten und Variablen
  • Verwendung von Funktionen mit Bezug zu maschinellem Lernen
  • Kontrollstrukturen
  • Einführung: Unterschiede zu C und IDE-Setup im Umfeld maschinellen Lernens
  • Klassen und Konstruktoren in C++
  • Templates und deren Einsatz im maschinellen Lernen

Erweiterte C++ Konzepte
  • Vererbung mit Anwendungen im maschinellen Lernen
  • Polymorphe Klassen
  • Smart Pointer und deren Rolle im maschinellen Lernen
  • Exception-Handling

DevOps und Softwareentwicklung
  • Die drei Wege in DevOps für Projekte des maschinellen Lernens
  • Continuous Integration und automatisiertes Testen
  • Release-Automatisierung und Risikoreduktion im Rahmen von maschinellem Lernen
  • Continuous Delivery und Continuous Integration
  • Review- und Koordinationsprozesse im Bereich maschinelles Lernen
  • Deployment Pipeline
  • Telemetriedaten und A/B-Tests in Projekten des maschinellen Lernens