In dieser Weiterbildung vertiefen Sie Ihre Kenntnisse im Bereich Visual Computing und erlangen eine Zusatzqualifikation im Projektmanagement. Sie lernen, wie Sie Deep-Learning-Modelle für Anwendungen in der Data Science entwickeln und trainieren. Dabei setzen Sie sich mit verschiedenen Architekturen neuronaler Netze auseinander und verstehen deren Einsatzmöglichkeiten im Visual Computing. Zudem erwerben Sie Fähigkeiten im Projektmanagement, um Visual-Computing-Projekte effizient zu planen und umzusetzen. Sie erarbeiten sich ein fundiertes Verständnis für die Implementierung von Deep-Learning-Algorithmen im Visual Computing. Dazu gehören die Verarbeitung und Analyse von Bild- und Videodaten sowie die Anwendung von Techniken des maschinellen Lernens. Im Bereich des Projektmanagements lernen Sie, Visual-Computing-Projekte strukturiert zu planen, Ressourcen effektiv zu nutzen und Projektergebnisse zielgerichtet zu evaluieren. Die Weiterbildung kombiniert theoretische Inhalte mit praktischen Übungen. Anhand von Fallstudien und Projekten wenden Sie die erlernten Methoden des Visual Computing an und vertiefen Ihre Kenntnisse im Projektmanagement durch praxisnahe Szenarien. Nach Abschluss sind Sie in der Lage, Visual-Computing-Technologien in Data-Science-Projekten anzuwenden und diese unter Berücksichtigung von Projektmanagement-Methoden zu steuern.

Grundlagen von Deep Learning und Machine Learning
  • Kenntnisse im Bereich Visual Computing für Deep-Learning-Aufgaben
  • Abgrenzung von Machine Learning und Deep Learning
  • Einführung in Machine Learning mit Fokus auf Visual Computing
  • Neuronale Netze und deren Einführung

Programmierung und Bibliotheken für Deep Learning
  • Anwendungen aus dem Visual Computing mit Python- und Machine-Learning-Bibliotheken
  • Verbindungen zu TensorFlow
  • Praktischer Einsatz von Keras im Kontext von Visual Computing
  • Einführung in PyTorch

Praktische Anwendung und Training Neuronaler Netze
  • Trainieren eines Neuronalen Netzes unter Einbeziehung von Visual Computing
  • Praxisarbeit: Programmierung Neuronales Netzwerk
  • Methoden zur Backpropagation im Rahmen des Visual Computing
  • Praxisarbeit: Optimierung Neuronales Netzwerk

Datenbehandlung und -visualisierung
  • Strategien der Datenreinigung mit Bezug zu Visual Computing
  • Datenvisualisierung und Datenvisualisierung geographischer Daten
  • Grundlegende Programmierkonzepte und Datenstrukturen

Python-Programmierung und Datenmanipulation
  • Installation und Einrichtung von Python für Visual-Computing-Anwendungen
  • Python-Skripte und Standard-Datentypen
  • Funktionen in Python mit Blick auf Visual Computing

Datenbankgrundlagen und -management
  • Einführung in relationale Datenbanken sowie in Visual Computing
  • Normalisierung und Normalformen
  • Spezifische Datentypen und Keys im Rahmen von Visual Computing
  • Erstellung eines Entity-Relationship-Modells (ERM)

Vertiefte Anwendung von TensorFlow und Keras
  • Installation und Einrichtung von TensorFlow mit Fokus auf Visual Computing
  • Grundlegende Verwendung von TensorFlow und Keras
  • Erstellen von Machine-Learning-Modellen für Visual Computing mit Keras
  • Visualisierung von Ergebnissen im Bereich Visual Computing

Projektmanagement-Grundlagen
  • Einführung in das Projektmanagement unter Berücksichtigung von Visual Computing
  • Projektarten und agile Standards
  • Vorteile der agilen Arbeitsweise für Visual-Computing-Projekte und Projekt-Initialisierung

Agiles Projektmanagement
  • Projekt-Definition und Projekt-Planung mit Bezug zu Visual Computing
  • Projektbasiert vs. produktbasiert im Bereich Visual Computing und Agile Perspektive
  • User Stories und Produkt Backlog Management
  • Definition of Done und Scrum Master

Abschlussprojekt und Anwendung in der Praxis
  • Qualifikationsprojekt Data Science im Zusammenhang mit Visual Computing
  • Fallstudien im Kontext von Data Science und Deep Learning