TensorFlow für Anwendungen in der Gebäudeautomation mit Schwerpunkt Cybersecurity In dieser Weiterbildung erlernen Sie den Einsatz von machine learning mit TensorFlow im Kontext der Gebäudeautomation, wobei ein besonderer Fokus auf Cybersecurity gelegt wird. Sie werden in die Lage versetzt, machine learning-Modelle zu entwickeln, die zur Überwachung und Sicherung von Gebäudesystemen beitragen. Sie erwerben Kenntnisse über die Grundlagen von machine learning und die Anwendung von TensorFlow zur Erstellung neuronaler Netze. Zudem lernen Sie, wie machine learning zur Anomalieerkennung in der Gebäudeautomation eingesetzt wird, um Sicherheitsrisiken frühzeitig zu identifizieren. Ein weiterer Schwerpunkt liegt auf der Implementierung von machine learning-Algorithmen zur Echtzeitüberwachung von Gebäudesystemen. Durch praxisorientierte Übungen und Fallstudien wenden Sie machine learning-Techniken direkt auf Szenarien der Gebäudeautomation an. Dies ermöglicht Ihnen, die erlernten Konzepte in realen Anwendungen zu erproben und zu vertiefen. Nach Abschluss der Weiterbildung sind Sie in der Lage, machine learning-Modelle mit TensorFlow zu entwickeln und in der Gebäudeautomation einzusetzen, um die Sicherheit und Effizienz von Gebäudesystemen zu verbessern.

TensorFlow Grundlagen und Installation
  • Installation und Einrichtung von TensorFlow mit Fokus auf machine learning
  • Grundlegende Verwendung von TensorFlow
  • Python- und Machine-Learning-Bibliotheken: Anwendungen aus dem machine learning
  • Grundlegende Programmierkonzepte
  • Standard-Datentypen im Kontext von machine learning
  • Funktionen
  • Ein- und Ausgabe für Projekte im Bereich machine learning
  • Systemfunktionen

Keras und Modellierung in TensorFlow
  • Verwendung von Keras mit besonderem Bezug zu machine learning
  • Erstellen von Machine-Learning-Modellen mit Keras
  • Trainieren eines Neuronalen Netzes im Umfeld von machine learning
  • Stimmungsanalyse mit Keras
  • Intelligente Spurerkennung unter Einsatz von machine learning
  • Benutzen von vorgefertigten Modellen mit Keras
  • Neuronale Netze und deren Rolle im machine learning

Machine Learning-Analyse und Visualisierung
  • Analyse von Machine Learning in TensorFlow: Schwerpunkte auf machine learning
  • Visualisierung von Ergebnissen mit Keras
  • Allgemeine Tipps und Tricks zu TensorFlow für machine learning
  • Problemlösung für nicht funktionierende Modelle

Entwicklungswerkzeuge und Praktiken
  • Versionsverwaltung - Bedeutung für machine learning
  • Agiles Arbeiten mit Git
  • Software Testing und Qualitätssicherung im Rahmen von machine learning
  • Finden und Vermeiden von Fehlern
  • Testen und Tuning unter Berücksichtigung von machine learning

Cyber Security in der Gebäudeautomation
  • Grundlagen der Cybersecurity in der Gebäudeautomation mit Bezug zu machine learning
  • Sicherheitsbedrohungen und Risikoanalyse für Gebäudeautomatisierungssysteme
  • Sicherheit von Gebäudeautomatisierungssystemen: Netzwerke und Protokolle im Kontext von machine learning
  • Zukunftstrends und Herausforderungen in der IT-Sicherheit für Gebäudeautomation
  • Security by Design: sichere Gestaltung von Gebäudeautomatisierungssystemen und machine learning

Sicherheitsmaßnahmen und Technologien
  • Schutz vor Cyberangriffen auf Gebäudeautomatisierungssysteme mit Unterstützung von machine learning
  • Authentifizierung und Zugriffskontrolle in der Gebäudeautomation
  • Sichere Datenübertragung und Verschlüsselungstechniken mit Methoden aus dem machine learning
  • Sicherheit von Gebäudeautomatisierungssystemen: Firewalls und Zugriffskontrolle
  • Sicherheitslücken in Gebäudeautomatisierungssystemen: Praxisbeispiele mit Einbindung von machine learning

Smart Homes und Gebäudeautomation
  • Sicherheit von Gebäudeautomatisierungssystemen in Smart Cities unter Nutzung von machine learning
  • Sicherheit von Gebäudeautomatisierungssystemen in Gewerbe- und Bürogebäuden
  • PosNet-Modell mit TensorFlow.js und Smart Home: Anwendungen im Bereich machine learning
  • Erkennung der Umgebung mit YOLO und TensorFlow.js

Programmierung und Datenverarbeitung
  • Installation und Einrichtung von Python für Projekte im Umfeld von machine learning
  • Datenstrukturen
  • Definition von Klassen in machine learning Kontexten
  • Objektorientiertes Modellieren
  • XML und JSON für Datenverarbeitung im Bereich machine learning
  • Einführung in NumPy und Messdatenverarbeitung