Machine Learning Schulungen in Wien

Diese instrukteursgeleitete, Live-Schulung in Wien (online oder vor Ort) richtet sich an Berufseinsteiger, die das Konzept vortrainierter Modelle verstehen und lernen möchten, wie sie diese anwenden können, um reale Probleme zu lösen, ohne Modelle von Grund auf neu zu entwickeln.

Nach Abschluss dieser Schulung werden die Teilnehmer in der Lage sein:

• Das Konzept und die Vorteile vortrainierter Modelle zu verstehen.
• Verschiedene Architekturen vortrainierter Modelle und deren Einsatzmöglichkeiten zu erkunden.
• Ein vortrainiertes Modell für spezifische Aufgaben feinabzustimmen (Fine-Tuning).
• vortrainierte Modelle in einfachen Machine-Learning-Projekten zu implementieren.

Dieser live geleitete Kurs in Wien (online oder vor Ort) richtet sich an Teilnehmende mit unterschiedlichem Kenntnisstand, die die AutoML-Plattform von Google nutzen möchten, um maßgeschneiderte Chatbots für verschiedene Anwendungsfälle zu entwickeln.

Nach Abschluss dieses Kurses werden die Teilnehmenden in der Lage sein:

• Die Grundlagen der Chatbot-Entwicklung zu verstehen.
• sich in der Google Cloud Platform zurechtzufinden und auf AutoML zuzugreifen.
• Daten für das Training von Chatbot-Modellen vorzubereiten.
• benuutzerdefinierte Chatbot-Modelle mit AutoML zu trainieren und zu evaluieren.
• Chatbots in verschiedene Plattformen und Kanäle zu integrieren und bereitzustellen.
• Die Leistung von Chatbots im Laufe der Zeit zu überwachen und zu optimieren.

Diese instructor-led-Live-Schulung in Wien (online oder vor Ort) richtet sich an fortgeschrittene KI-Entwickler:innen, Machine-Learning-Ingenieur:innen und Systemarchitekt:innen, die ihre KI-Modelle für den Edge-Einsatz optimieren möchten.

Nach Abschluss dieser Schulung können Teilnehmende:

• Herausforderungen und Anforderungen beim Deployment von KI-Modellen auf Edge-Geräten verstehen.
• Model Compression-Techniken anwenden, um Größe und Komplexität von KI-Modellen zu reduzieren.
• Quantisierungsmethoden nutzen, um die Effizienz der Modelle auf Edge-Hardware zu steigern.
• Pruning und weitere Optimierungstechniken implementieren, um die Modellperformance zu verbessern.
• optimierte KI-Modelle auf verschiedenen Edge-Geräten deployen.

Diese vom Dozenten geleitete Live-Schulung in Wien (online oder vor Ort) richtet sich an Entwickler mit fortgeschrittenen Kenntnissen, Data Scientists und Technik-Enthusiasten, die praktische Fähigkeiten im Einsatz von KI-Modellen auf Edge-Geräten für verschiedene Anwendungen erwerben möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Grundprinzipien von Edge AI und deren Vorteile zu verstehen.
• die Edge-Computing-Umgebung einzurichten und zu konfigurieren.
• KI-Modelle für den Edge-Einsatz zu entwickeln, zu trainieren und zu optimieren.
• praktische KI-Lösungen auf Edge-Geräten zu implementieren.
• die Leistung von am Edge bereitgestellten Modellen zu bewerten und zu verbessern.
• ethische und sicherheitsrelevante Aspekte in Edge AI-Anwendungen zu berücksichtigen.

Dieses instruktorgeleitete Live-Training in Wien (online oder vor Ort) richtet sich an erfahrene KI-Ingenieure und Data Scientists mit mittlerem bis fortgeschrittenem Erfahrungsstand, die ihre Fähigkeit zur Verbesserung der DeepSeek-Modellleistung, zur Minimierung von Latenzzeiten und zur effizienten Bereitstellung von KI-Lösungen mittels moderner MLOps-Praktiken stärken möchten.

Nach Abschluss dieses Trainings sind die Teilnehmer in der Lage:

• DeepSeek-Modelle hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit zu optimieren.
• Bewährte Praktiken für MLOps und das Versionsmanagement von Modellen anzuwenden.
• DeepSeek-Modelle in Cloud- und On-Premise-Infrastrukturen bereitzustellen.
• KI-Lösungen effektiv zu überwachen, zu warten und zu skalieren.

MLOps auf Kubernetes ist ein Framework zur Automatisierung des Trainings, der Validierung, des Packens und der Bereitstellung von Machine-Learning-Modellen mittels containerisierter Pipelines und GitOps-Workflows.

Dieser live stattfindende Kurs mit Dozentenleitung (online oder vor Ort) richtet sich an Praktiker auf mittlerem Niveau, die automatisierte, skalierbare MLOps-Pipelines auf Kubernetes aufbauen möchten.

Nach erfolgreichem Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• End-to-End-CI/CD-Pipelines für maschinelles Lernen zu entwerfen.
• GitOps-Workflows zur Modellbereitstellung und -versionierung zu implementieren.
• Das Training, die Tests und das Packen von ML-Modellen zu automatisieren.
• Überwachungs-, Alarmierungs- und Rollback-Strategien zu integrieren.

Kursformat

• Dozentengestützte Präsentationen und technische Vertiefungen.
• Praktische Übungen zur Erstellung realweltlicher CI/CD-Workflows.
• Live-Lab-Praxis zum Bereitstellen von ML-Workloads auf Kubernetes.

Optionen zur Kursanpassung

• Organisationen können maßgeschneiderte Inhalte anfordern, die auf ihre internen MLOps-Tools und Infrastruktur abgestimmt sind.

Kubeflow ist eine Open-Source-Plattform, die darauf abzielt, den Aufbau, das Training und die Bereitstellung von Machine-Learning-Arbeitslasten auf Kubernetes zu vereinfachen.

Dieses vom Dozenten geleitete Live-Training (online oder vor Ort) richtet sich an Fachkräfte im Einstiegs- bis mittleren Erfahrungslevel, die zuverlässige ML-Workflows mit Kubeflow erstellen möchten.

Nach Abschluss dieses Trainings können die Teilnehmer:

• Das Kubeflow-Ökosystem und die Kernkomponenten navigieren.
• Reproduzierbare Workflows mit Kubeflow Pipelines erstellen.
• Skalierbare Trainingsjobs auf Kubernetes ausführen.
• Maschinelle Lernmodelle effizient mit Kubeflow Serving bereitstellen.

Kursformat

• Geführte Präsentationen und gemeinsame Diskussionen.
• Praktische Übungen mit echten Kubeflow-Komponenten.
• Praxisnahe Aufgaben zum Erstellen von End-to-End-ML-Workflows.

Anpassungsmöglichkeiten des Kurses

• Maßgeschneiderte Versionen dieses Trainings können nach den Technologien und Projektanforderungen Ihres Teams abgestimmt werden.

TinyML bezeichnet die Bereitstellung optimierter Machine-Learning-Modelle auf ressourcenbeschränkten Edge-Geräten.

Dieses von Dozenten durchgeführte Live-Training (online oder vor Ort) richtet sich an technisch versierte Fortgeschrittene, die komplette TinyML-Pipelines entwerfen, optimieren und bereitstellen möchten.

Die Teilnehmenden werden am Ende dieses Trainings gelernt haben, wie sie:

• Datensätze für TinyML-Anwendungen sammeln, aufbereiten und verwalten.
• Modelle für stromsparende Mikrocontroller trainieren und optimieren.
• Modelle in leichte Formate umwandeln, die sich für Edge-Geräte eignen.
• TinyML-Anwendungen auf echter Hardware bereitstellen, testen und überwachen.

Kursformat

• Dozentengeführte Vorlesungen und technische Diskussionen.
• Praktische Laboreinheiten und iterative Experimente.
• Praxisnahe Bereitstellung auf Mikrocontroller-basierten Plattformen.

Möglichkeiten zur Anpassung des Kurses

• Um das Training an spezifische Toolchains, Hardwareboards oder interne Arbeitsabläufe anzupassen, kontaktieren Sie uns bitte für eine Vereinbarung.

Diese live stattfindende Schulung mit Dozent:innen in Wien (online oder vor Ort) richtet sich an Entwickler:innen, Data Scientists und KI-Praktiker:innen auf fortgeschrittenem Niveau, die TensorFlow Lite für Edge-AI-Anwendungen nutzen möchten.

Nach Abschluss dieser Schulung sind die Teilnehmer:innen in der Lage:

• die Grundlagen von TensorFlow Lite und dessen Rolle im Bereich Edge AI zu verstehen.
• KI-Modelle mit TensorFlow Lite zu entwickeln und zu optimieren.
• TensorFlow-Lite-Modelle auf verschiedenen Edge-Geräten bereitzustellen.
• Tools und Techniken für die Modellkonvertierung und -optimierung einzusetzen.
• praktische Edge-AI-Anwendungen mit TensorFlow Lite zu implementieren.

Dieses von einem Dozenten geleitete Live-Training in Wien (online oder vor Ort) richtet sich an Profis mit fortgeschrittenem Know-how, die die Technologien hinter autonomen Systemen beherrschen möchten.

Am Ende dieses Trainings können die Teilnehmenden:

• KI-Modelle für autonome Entscheidungsfindung entwerfen und implementieren.
• Steueralgorithmen für autonome Navigation und Hindernisvermeidung entwickeln.
• Sicherheit und Zuverlässigkeit in KI-gestützten autonomen Systemen gewährleisten.
• Autonome Systeme in bestehende Robotik- und KI-Frameworks integrieren.

Diese live angebotene Schulung unter Anleitung in <ort> (online oder vor Ort) richtet sich an erfahrene Fachkräfte, die ihr Verständnis von Computer Vision vertiefen und die Fähigkeiten von TensorFlow zur Entwicklung anspruchsvoller Bildverarbeitungsmodelle mit Google Colab erkunden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Konvolutionale neuronale Netze (CNNs) mit TensorFlow zu erstellen und zu trainieren.
• Google Colab für skalierbare und effiziente cloud-basierte Modellentwicklung zu nutzen.
• Bildvorverarbeitungstechniken für Computer-Vision-Aufgaben zu implementieren.
• Computer-Vision-Modelle für reale Anwendungen bereitzustellen.
• Transfer Learning einzusetzen, um die Leistung von CNN-Modellen zu verbessern.
• Die Ergebnisse von Bildklassifizierungsmodellen zu visualisieren und zu interpretieren.

TinyML ist ein Ansatz zur Bereitstellung von Machine-Learning-Modellen auf stromsparenden, ressourcenbeschränkten Geräten am Netzwerkrand.

Diese live stattfindende, dozentengestützte Schulung (online oder vor Ort) richtet sich an fortgeschrittene Fachkräfte, die TinyML-Pipelines sichern und datenschutzfreundliche Techniken in Edge-AI-Anwendungen implementieren möchten.

Nach Abschluss dieses Kurses werden die Teilnehmer:

• Sicherheitsrisiken identifizieren, die für die On-Device-Inferenz mit TinyML spezifisch sind.
• Mechanismen zum Schutz der Privatsphäre für Edge-AI-Bereitstellungen implementieren.
• TinyML-Modelle und eingebettete Systeme gegen gegnerische Bedrohungen härten (harden).
• Best Practices für die sichere Datenverarbeitung in ressourcenbeschränkten Umgebungen anwenden.

Form des Kurses

• Fesselnde Vorträge, ergänzt durch Expertendiskussionen.
• Praktische Übungen mit Schwerpunkt auf realen Bedrohungsszenarien.
• Hands-on-Implementierung unter Verwendung von eingebetteten Sicherheitslösungen und TinyML-Tools.

Optionen zur Kursanpassung

• Organisationen können eine maßgeschneiderte Version dieses Kurses anfordern, um sie an ihre spezifischen Sicherheits- und Compliance-Anforderungen anzupassen.

Diese dozentengeleitete Live-Schulung in Wien (online oder vor Ort) richtet sich an Fachkräfte auf fortgeschrittenem Niveau, die ihr Wissen über Machine-Learning-Modelle vertiefen, ihre Fähigkeiten im Hyperparameter-Tuning verbessern und lernen möchten, wie man Modelle mit Google Colab effektiv bereitstellt.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Fortgeschrittene Machine-Learning-Modelle mit beliebten Frameworks wie Scikit-learn und TensorFlow zu implementieren.
• Die Modellleistung durch Hyperparameter-Tuning zu optimieren.
• Machine-Learning-Modelle in Echtzeit-Anwendungen mit Google Colab bereitzustellen.
• Gemeinsam an groß angelegten Machine-Learning-Projekten in Google Colab zu arbeiten und diese zu verwalten.

Diese instruktionsgeleitete Live-Schulung in Wien (online oder vor Ort) richtet sich an Fachkräfte mit mittlerem Know-how, die KI-Techniken anwenden möchten, um das Ertragsmanagement in der Halbleiterfertigung zu optimieren.

Am Ende dieser Schulung werden die Teilnehmer:

• Produktionsdaten analysieren, um Faktoren zu identifizieren, die sich auf die Ausbeute auswirken.
• KI-Algorithmen implementieren, um Ertragsmanagementprozesse zu verbessern.
• Produktionsparameter optimieren, um Fehlerquote und Ausschuss zu reduzieren und die Ausbeute zu steigern.
• KI-gestütztes Ertragsmanagement in bestehende Produktionsabläufe integrieren.

Dieses dozentenleitete Live-Training in Wien (online oder vor Ort) richtet sich an Business- und KI-Fachleute mit Vorkenntnissen auf mittlerem Niveau, die maschinelles Lernen in Wirtschaft, Prognosen und KI-gesteuerten Systemen mittels echter Fallstudien und Python-basierter Tools einsetzen möchten.

Nach Abschluss dieses Trainings können die Teilnehmer:

• verstehen, wie maschinelles Lernen in KI- und Wirtschaftsstrategien eingebettet ist.
• überwachtes und unüberwachtes Lernen auf strukturierte wirtschaftliche Probleme anwenden.
• Daten für die Modellierung vorbereiten und transformieren.
• neuronale Netze für Klassifizierungs- und Vorhersageaufgaben nutzen.
• Umsatzprognosen mit statistischen und ML-basierten Methoden durchführen.
• Clustering und Assoziationsregel-Mining für Kundensegmentierung und Mustereerkennung implementieren.

Dieses instruktorengeführte Live-Training in Wien (online oder vor Ort) richtet sich an Fachkräfte auf mittlerem Niveau, die KI-gestützte predictive Wartungstechniken in der Halbleiterfertigung anwenden möchten, um die Produktionseffizienz zu steigern und unerwartete Geräteausfälle zu reduzieren.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• KI-Modelle zur Vorhersage von Geräteausfällen in der Halbleiterfertigung zu implementieren.
• Wartungsdaten zu analysieren, um Muster und Trends zu erkennen, die auf potenzielle Probleme hinweisen.
• KI-gestützte predictive Wartung in bestehende Fertigungsworkflows zu integrieren.
• Stillstandszeiten und Wartungskosten durch proaktives Geräte management zu reduzieren.

Diese Dozenten geleitete, live stattfindende Schulung in Wien (online oder vor Ort) richtet sich an erfahrene Fachkräfte, die modernste KI-Techniken in der Automatisierung der Halbleiterentwicklung anwenden möchten, um Effizienz, Genauigkeit und Innovation im Chipdesign und bei der Verifikation zu steigern.

Nach Abschluss dieser Schulung werden die Teilnehmer:

• Fortgeschrittene KI-Techniken zur Optimierung von Halbleiterentwicklungsprozessen anwenden können.
• Machine-Learning-Modelle in EDA-Tools integrieren können, um die Designverifikation zu verbessern.
• KI-gestützte Lösungen für komplexe Designherausforderungen bei der Chipfertigung entwickeln können.
• Neuronale Netze nutzen können, um die Genauigkeit und Geschwindigkeit der Designautomatisierung zu erhöhen.

Diese von Lehrkräften durchgeführte Live-Schulung in Wien (online oder vor Ort) richtet sich an Dateningenieure und Entwickler auf mittlerem Niveau, die tieferes Verständnis für Deep-Learning-Techniken erwerben und diese in der Google Colab-Umgebung anwenden möchten.

Nach Abschluss dieser Schulung werden die Teilnehmer folgende Kompetenzen besitzen:

• Google Colab für Deep-Learning-Projekte einrichten und navigieren.
• Die Grundlagen neuronaler Netze verstehen.
• Deep-Learning-Modelle mit TensorFlow implementieren.
• Deep-Learning-Modelle trainieren und auswerten.
• Fortgeschrittene Funktionen von TensorFlow für das Deep Learning nutzen.

Diese von einem Dozenten geleitete Live-Schulung in Wien (online oder vor Ort) richtet sich an Fachkräfte auf mittlerem Niveau, die KI-Techniken zum Optimieren von Halbleiterfertigungsprozessen verstehen und anwenden möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• KI-Methoden zur Prozessoptimierung in der Chipfertigung zu verstehen.
• KI-Modelle zur Verbesserung der Ausbeute und Reduzierung von Defekten einzusetzen.
• Prozessdaten zu analysieren, um Schlüsselparameter für die Optimierung zu identifizieren.
• Maschinelle Lernverfahren zur Feinabstimmung von Halbleiterherstellungsprozessen anzuwenden.

Diese vom Dozenten geleitete, live stattfindende Schulung in Wien (online oder vor Ort) richtet sich an Teilnehmer mit Vorkenntnissen auf mittlerem Niveau, die maschinelles Lernen automatisieren und verwalten möchten, einschließlich Modelltraining, Validierung und Bereitstellung unter Verwendung von Apache Airflow.

Nach Abschluss dieser Schulung werden die Teilnehmer in der Lage sein:

• Apache Airflow für die Orchestrierung von Machine-Learning-Workflows einzurichten.
• Datenpreprocessing, Modelltraining und Validierungsaufgaben zu automatisieren.
• Airflow in Machine-Learning-Frameworks und -Tools zu integrieren.
• Maschinelle Lernmodelle mithilfe automatisierter Pipelines bereitzustellen.
• Machine-Learning-Workflows in der Produktion zu überwachen und zu optimieren.

Diese live durchgeführte Schulung in Wien (online oder vor Ort) richtet sich an Datenwissenschaftler und Entwickler mit mittlerem Erfahrungsniveau, die Machine-Learning-Algorithmen effizient in der Google-Colab-Umgebung anwenden möchten.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Google Colab für Machine-Learning-Projekte einzurichten und darin zu navigieren.
• Verschiedene Machine-Learning-Algorithmen zu verstehen und anzuwenden.
• Bibliotheken wie Scikit-learn zur Analyse und Vorhersage von Daten zu nutzen.
• Überwachte und unüberwachte Lernmodelle zu implementieren.
• Machine-Learning-Modelle effektiv zu optimieren und auszuwerten.

TinyML bezeichnet das Bereitstellen von Machine-Learning-Modellen auf stark ressourcenbeschränkter Hardware.

Diese instruktionsgeleitete, live durchgeführte Schulung (online oder vor Ort) richtet sich an fortgeschrittene Praktiker, die TinyML-Modelle für eine Deployment mit geringer Latenz und speichereffizient auf eingebetteten Geräten optimieren möchten.

Nach Abschluss dieser Schulung können die Teilnehmer:

• Quantisierung, Pruning-Verfahren und Kompressionstechniken anwenden, um die Modellgröße zu reduzieren, ohne dabei Genauigkeit einzubüßen.
• TinyML-Modelle hinsichtlich Latenz, Speicherverbrauch und Energieeffizienz benchmarken.
• optimierte Inferenz-Pipelines auf Mikrocontrollern und Edge-Geräten implementieren.
• Abwägungen zwischen Leistung, Genauigkeit und hardwarebedingten Einschränkungen bewerten.

Format des Kurses

• Instruktionsgeleitete Präsentationen, unterstützt durch technische Demonstrationen.
• Praktische Optimierungsübungen und vergleichende Leistungstests.
• Hands-on-Implementierung von TinyML-Pipelines in einer kontrollierten Laborumgebung.

Optionen zur Kursanpassung

• Für maßgeschneiderte Schulungen, die auf spezifische Hardwareplattformen oder interne Arbeitsabläufe abgestimmt sind, kontaktieren Sie uns bitte, um das Programm anzupassen.

Dieser instruktionsgeleitete, Live-Kurs in Wien (online oder vor Ort) richtet sich an Fortgeschrittene, die neueste XAI-Techniken für Deep-Learning-Modelle erkunden und interpretablen KI-Systemen einen höheren Stellenwert einräumen möchten.

Bis zum Ende dieses Kurses werden die Teilnehmenden:

• die Herausforderungen der Erklärbarkeit im Deep Learning verstehen.
• fortgeschrittene XAI-Techniken für neuronale Netze implementieren können.
• Entscheidungen von Deep-Learning-Modellen interpretieren können.
• den Kompromiss zwischen Leistungsfähigkeit und Transparenz bewerten können.

Dieser von einem Dozenten geleitete Live-Kurs in Wien (online oder vor Ort) richtet sich an Berufsanfänger, die KI-Technologien in der Halbleiterfertigungsindustrie verstehen und anwenden möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Die Grundprinzipien von KI zu verstehen und ihre Anwendung in der Halbleiterfertigung nachzuvollziehen.
• Bereiche in der Halbleiterfertigung zu identifizieren, in denen KI effektiv eingesetzt werden kann.
• KI-Tools und -Techniken zur Steigerung der Produktionseffizienz und Qualitätskontrolle zu nutzen.
• Einfache KI-Modelle zur Optimierung von Fertigungsprozessen zu implementieren.

Docker ist eine Containerisierungsplattform, die zur Erstellung reproduzierbarer, portabler und skalierbarer Umgebungen für ML-Systeme eingesetzt wird.

Diese live stattfindende Schulung unter Anleitung (online oder vor Ort) richtet sich an technische Fachkräfte auf dem fortgeschrittenen bis mittleren Niveau, die vollständige ML-Pipelines mit Docker containerisieren und in den Produktivbetrieb überführen möchten.

Nach Abschluss dieser Schulung sind die Teilnehmenden in der Lage:

• ML-Trainings-, Validierungs- und Inferenz-Aufgaben zu containerisieren.
• End-to-End-ML-Pipelines unter Verwendung von Docker und unterstützender Tools zu entwerfen und zu orchestrieren.
• Versionierung, Reproduzierbarkeit und CI/CD für ML-Komponenten umzusetzen.
• ML-Services in containerisierten Umgebungen zu deployen, zu überwachen und zu skalieren.

Kursformat

• Interaktive Vorlesungen, ergänzt durch praktische Demonstrationen.
• Praxismodule mit Fokus auf den Aufbau echter ML-Pipeline-Komponenten.
• Live-Lab-Umsetzung für End-to-End-Containerisierung von Workflows.

Optionen zur Kursanpassung

• Für eine maßgeschneiderte Schulung, die auf spezifische ML-Infrastrukturbedürfnisse abgestimmt ist, kontaktieren Sie uns bitte, um die Möglichkeiten zu besprechen.

Dieser live stattfindende, von einem Dozenten geleitete Kurs in Wien (online oder vor Ort) richtet sich an Data Scientists und Entwickler, die ML.NET-Machine-Learning-Modelle nutzen möchten, um automatisch Prognosen aus durchgeführten Datenanalysen für Unternehmensanwendungen abzuleiten.

Am Ende dieses Trainings sind die Teilnehmer in der Lage:

• ML.NET zu installieren und in die Anwendungs-Entwicklungsumgebung zu integrieren.
• Die Machine-Learning-Prinzipien hinter den ML.NET-Tools und -Algorithmen zu verstehen.
• Machine-Learning-Modelle aufzubauen und zu trainieren, um mit den bereitgestellten Daten intelligent Vorhersagen zu treffen.
• Die Leistungsfähigkeit eines Machine-Learning-Modells anhand der ML.NET-Metriken zu bewerten.
• Die Genauigkeit bestehender Machine-Learning-Modelle basierend auf dem ML.NET-Framework zu optimieren.
• Die Machine-Learning-Konzepte von ML.NET auf andere Data-Science-Anwendungen anzuwenden.

Diese von einem Dozenten geleitete Live-Schulung in Wien (online oder vor Ort) richtet sich an Datenprofis mit mittlerem Erfahrungsgrad, die Machine-Learning-Techniken auf datengetriebene Geschäftsprobleme anwenden möchten, einschließlich Umsatzprognosen und prädiktiver Modellierung mittels neuronaler Netze.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Kernkonzepte und Typen des Machine Learnings zu verstehen.
• Wichtige Algorithmen für Klassifikation, Regression, Clustering und Assoziationsanalyse anzuwenden.
• Explorative Datenanalysen und Datenvorbereitung mit Python durchzuführen.
• Neuronale Netze für nichtlineare Modellierungsaufgaben einzusetzen.
• Predictive Analytics für die Geschäftsprognose, einschließlich Umsatzdaten, zu implementieren.
• Die Modellleistung mit visuellen und statistischen Techniken zu bewerten und zu optimieren.

Dieses instruktionsgeleitete Live-Training in Wien (online oder vor Ort) richtet sich an fortgeschrittene bis sehr erfahrene Data Scientists, Machine-Learning-Ingenieure, Deep-Learning-Forscher und Experten für Computer Vision, die ihr Wissen und ihre Fähigkeiten im Bereich des Deep Learnings zur Text-zu-Bild-Generierung erweitern möchten.

Nach Abschluss dieses Trainings können die Teilnehmer:

• Fortgeschrittene Architekturen und Techniken für die Text-zu-Bild-Generierung verstehen.
• Komplexe Modelle und Optimierungen für die Erzeugung hochwertiger Bilder implementieren.
• Die Leistungsfähigkeit und Skalierbarkeit für große Datensätze und komplexe Modelle optimieren.
• Hyperparameter abstimmen, um die Modellleistung und Generalisierung zu verbessern.
• Stable Diffusion in andere Deep-Learning-Frameworks und Tools integrieren

Diese instructor-led, Live-Schulung in Wien (online oder vor Ort) richtet sich an IT-Fachleute im Bereich Cybersicherheit auf mittlerem bis fortgeschrittenem Niveau, die ihre Kompetenzen in der KI-gestützten Bedrohungserkennung und Incident Response stärken möchten.

Am Ende dieser Schulung sind die Teilnehmer in der Lage:

• Fortschrittliche KI-Algorithmen für die Echtzeit-Bedrohungserkennung zu implementieren.
• KI-Modelle auf spezifische Cybersicherheits-Herausforderungen anzupassen.
• Automatisierung Workflows für die Bedrohungsbeseitigung zu entwickeln.
• KI-gestützte Sicherheitstools gegen adversary Angriffe abzusichern.

Diese von einem Dozenten geleitete Live-Schulung in <Ort> (online oder vor Ort) richtet sich an fortgeschrittene eingebettete Systemingenieure und KI-Entwickler, die maschinelles Lernen-Modelle auf Mikrocontrollern mit TensorFlow Lite und Edge Impulse bereitstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die Grundlagen von TinyML und deren Vorteile für Edge-KI-Anwendungen zu verstehen.
• Eine Entwicklungsumgebung für TinyML-Projekte einzurichten.
• KI-Modelle auf stromsparenden Mikrocontrollern zu trainieren, zu optimieren und bereitzustellen.
• TensorFlow Lite und Edge Impulse zur Implementierung praxisnaher TinyML-Anwendungen zu nutzen.
• KI-Modelle für Energieeffizienz und Speichereinschränkungen zu optimieren.

Diese von einem Dozenten geleitete Live-Schulung in Wien (online oder vor Ort) richtet sich an Cybersecurity-Profis auf Anfängerniveau, die lernen möchten, wie sie KI für verbesserte Fähigkeiten zur Bedrohungserkennung und -reaktion nutzen können.

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• KI-Anwendungen im Bereich Cybersicherheit zu verstehen.
• KI-Algorithmen zur Bedrohungserkennung zu implementieren.
• Die Incident Response mit KI-Tools zu automatisieren.
• KI in bestehende Cybersicherheitsinfrastrukturen zu integrieren.

Dieses live angebotene Training mit Dozent*innenaufsicht an Wien (online oder vor Ort) richtet sich an Biolog*innen, die verstehen möchten, wie AlphaFold funktioniert, und AlphaFold-Modelle als Leitfaden für ihre experimentellen Studien nutzen wollen.

Am Ende dieses Trainings können die Teilnehmer*innen:

• Die Grundprinzipien von AlphaFold verstehen.
• Lernen, wie AlphaFold funktioniert.
• Lernen, AlphaFold-Vorhersagen und -Ergebnisse zu interpretieren.

Dieses von einer Lehrkraft geleitete Live-Training in Wien (online oder vor Ort) richtet sich an Datenanalysten mit mittlerem Wissensstand, die erlernen möchten, wie sie RapidMiner zur Schätzung und Projektion von Werten sowie zur Nutzung analytischer Tools für Zeitreihenvorhersagen einsetzen können.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die CRISP-DM-Methodik anzuwenden, geeignete Machine-Learning-Algorithmen auszuwählen und den Modellaufbau sowie die Leistungsfähigkeit zu verbessern.
• RapidMiner zur Schätzung und Projektion von Werten zu verwenden und analytische Tools für Zeitreihenvorhersagen einzusetzen.

Diese dozentengeleitete Live-Schulung (online oder vor Ort) richtet sich an Datenwissenschaftler, Machine-Learning-Ingenieure und Forschungsexperten im Bereich Computer Vision, die Stable Diffusion nutzen möchten, um hochwertige Bilder für verschiedene Anwendungsfälle zu generieren.

Nach Abschluss dieser Schulung können die Teilnehmer:

• Die Prinzipien von Stable Diffusion verstehen und nachvollziehen, wie es für die Bildgenerierung funktioniert.
• Stable-Diffusion-Modelle für Bildgenerierungsaufgaben erstellen und trainieren.
• Stable Diffusion in verschiedenen Szenarien der Bildgenerierung anwenden, wie z. B. Inpainting, Outpainting und Bild-zu-Bild-Übersetzung.
• Die Leistung und Stabilität von Stable-Diffusion-Modellen optimieren.

Diese von Dozenten geleitete Live-Schulung in Wien (online oder vor Ort) richtet sich an Ingenieurinnen und Ingenieure sowie Data Scientists mit Grundkenntnissen, die sich mit den Grundlagen von TinyML vertraut machen, Anwendungsfelder erkunden und KI-Modelle auf Mikrocontrollern bereitstellen möchten.

Die Teilnehmenden können nach Abschluss dieser Schulung:

• die Grundlagen von TinyML und dessen Bedeutung verstehen.
• leichtgewichtige KI-Modelle auf Mikrocontrollern und Edge-Geräten bereitstellen.
• Machine-Learning-Modelle für den geringen Stromverbrauch optimieren und feinjustieren.
• TinyML in der Praxis anwenden, etwa bei der Gestenerkennung, Anomalieerkennung und Audioprozessierung.

Ziel dieses Kurses ist es, allgemeine Kompetenz im praktischen Einsatz von Machine-Learning-Methoden zu vermitteln. Anhand der Programmiersprache Python und ihrer zahlreichen Bibliotheken sowie einer Vielzahl praktischer Beispiele werden die wichtigsten Grundbausteine des Machine Learnings erklärt, Entscheidungen zur Datenmodellierung getroffen, Ausgaben der Algorithmen interpretiert und Ergebnisse validiert.

Unser Ziel ist es, Ihnen die Fähigkeiten zu vermitteln, die grundlegenden Werkzeuge aus dem Machine-Learning-Werkzeugkasten sicher zu verstehen und anzuwenden sowie häufige Fallstricke bei Data-Science-Anwendungen zu vermeiden.

Dieser Kurs "Angewandte KI von Grund auf in Python" vermittelt Programmierern und Datenanalysten grundlegende Techniken zum Aufbau von ML-Lösungen von der Pike auf mit Python. Er behandelt die Kernprinzipien des überwachenden Lernens (Klassifikation und Regression), des unüberwachten Lernens (Clustering und Anomalieerkennung) sowie fortschrittlicher neuronaler Netzwerk-Architekturen. Der Kurs untersucht bewährte Methoden zur Arbeit mit scikit-learn, Apache Spark MLlib und Jupyter Notebooks für die praktische KI-Entwicklung. Er hilft Fachleuten bei der Implementierung praktischer ML-Modelle, der Bewertung von Algorithmen-Limitationen und der Durchführung angewandter Projekte zur Lösung realer Probleme.

Deep Reinforcement Learning (DRL) vereint die Prinzipien des Reinforcement Learnings mit Architekturen des Deep Learnings, um Agenten in die Lage zu versetzen, Entscheidungen durch Interaktion mit ihrer Umgebung zu treffen. DRL bildet die Grundlage zahlreicher moderner KI-Innovationen wie selbstfahrende Fahrzeuge, Robotiksteuerung, algorithmischer Handel und adaptive Empfehlungssysteme. Durch belohnungsbasiertes Lernen ermöglicht DRL einem künstlichen Agenten, Strategien zu erlernen, Richtlinien zu optimieren und autonome Entscheidungen auf Basis von Versuch und Irrtum zu treffen.

Dieses instruktorengestützte Live-Training (online oder vor Ort) richtet sich an Entwickler und Data Scientists mit mittlerem Erfahrungsstand, die Deep-Reinforcement-Learning-Techniken erlernen und anwenden möchten, um intelligente Agenten aufzubauen, die in komplexen Umgebungen autonom entscheiden können.

Nach Abschluss dieses Trainings sind die Teilnehmer in der Lage:

• Die theoretischen Grundlagen und mathematischen Prinzipien des Reinforcement Learnings zu verstehen.
• Wichtige RL-Algorithmen wie Q-Learning, Policy Gradients und Actor-Critic-Methoden zu implementieren.
• Deep-Reinforcement-Learning-Agenten mit TensorFlow oder PyTorch zu entwickeln und zu trainieren.
• DRL auf reale Anwendungen wie Spiele, Robotik und Entscheidungsfindungsoptimierung anzuwenden.
• Trainingsleistungen mithilfe moderner Tools zu debuggen, zu visualisieren und zu optimieren.

Kursformat

• Interaktive Vorträge und geführte Diskussionen.
• Praxisübungen und praktische Implementierungen.
• Live-Codedemonstrationen und projektbasierte Anwendungen.

Möglichkeiten zur Kursanpassung

• Um eine angepasste Version dieses Kurses anzufordern (z. B. unter Verwendung von PyTorch statt TensorFlow), kontaktieren Sie uns bitte, um die Details zu besprechen.

Durch die Erforschung der Grundlagen der künstlichen Intelligenz wird deutlich, wie intelligente Technologien die digitale Strategie, Automatisierung und Entscheidungsfindung in Unternehmensprozessen neu definieren. Der Kurs behandelt zentrale Konzepte, darunter die Geschichte der KI, Problemlösungsframeworks, Wissensrepräsentation, unsicheres Schließen sowie maschinelles Lernen im Kontext von Kommunikation, Wahrnehmung und autonomem Handeln. Er unterstützt Führungskräfte und Architekten dabei, transformative Möglichkeiten durch KI zu bewerten, neue Technologietrends einzuschätzen und praxisnahe intelligente Lösungen zu integrieren, um die Geschäftsfähigkeit zu beschleunigen.

Dieser Kurs behandelt KI (mit Schwerpunkt auf Machine Learning und Deep Learning) in der Automobilindustrie. Er hilft dabei zu bestimmen, welche Technologie in verschiedenen Situationen im Fahrzeug (potenziell) eingesetzt werden kann: von einfacher Automatisierung und Bilderkennung bis hin zur autonomen Entscheidungsfindung.

Dieses 8-tägige Programm bietet eine umfassende Reise von starken Grundlagen in der Python-Softwareentwicklung bis hin zum fortgeschrittenen Design von KI-Systemen. Die Teilnehmenden entwickeln disziplinierte Coding-Praktiken, meistern statistische und Deep-Learning-Methoden sowie den Aufbau von produktionsreifen generativen KI- und Agenten-basierten Systemen. Der Fokus liegt auf Zuverlässigkeit, Evaluation, Sicherheit und dem Einsatz in der Praxis statt rein auf Experimentierung.

Ein Künstliches Neuronales Netz ist ein rechnerisches Datenmodell, das zur Entwicklung von Systemen der Künstlichen Intelligenz (KI) eingesetzt wird und in der Lage ist, "intelligente" Aufgaben auszuführen. Neuronale Netze werden häufig in Anwendungen des Maschinellen Lernens (ML) genutzt, die wiederum eine Implementierungsform der KI darstellen. Deep Learning ist ein Teilgebiet des ML.

Erweitern Sie Ihre Data-Science-Kompetenzen mit diesem umfassenden Schulungskurs zu Maschinellen Lernen, der die Kernalgorithmen einschließlich Naive Bayes, Entscheidungsbäume, Neuronale Netze, Support Vector Machines und Clustering-Techniken abdeckt. Erwerben Sie praktische Erfahrung mit theoretischen Grundlagen und deren Anwendung anhand realer Beispiele. Ideal für Datenanalysten, Softwareingenieure, KI-Begeisterte und Geschäftsprofis, die ML-Lösungen in der Praxis einsetzen möchten. Meistern Sie Leistungsmetriken für Klassifizierung, Cross-Validation, den Bias-Varianz-Trade-off sowie Grundlagen des Deep Learnings, um robuste Vorhersagemodelle zu entwickeln.

Diese live vom Dozenten geleitete Schulung in Wien (online oder vor Ort) bietet einen Einstieg in das Feld der Mustermanalyse und des maschinellen Lernens. Sie behandelt praktische Anwendungen in den Bereichen Statistik, Informatik, Signalverarbeitung, Computer Vision, Data Mining und Bioinformatik.

Nach Abschluss dieser Schulung können die Teilnehmer:

• Kernstatistische Methoden auf die Mustermanalyse anwenden.
• Schlüsselmodelle wie neuronale Netze und Kernel-Methoden für die Datenanalyse nutzen.
• Fortgeschrittene Techniken zur Lösung komplexer Probleme implementieren.
• Die Vorhersagegenauigkeit verbessern, indem verschiedene Modelle kombiniert werden.

Diese live durchgeführte Schulung in Wien (online oder vor Ort) richtet sich an Data Scientists, die TensorFlow nutzen möchten, um potenzielle Betrugsdaten zu analysieren.

Am Ende dieser Schulung werden die Teilnehmenden in der Lage sein:

• Ein Betrugserkennungsmodell mit Python und TensorFlow zu erstellen.
• Liniere Regressionen und lineare Regressionsmodelle zur Betrugsprognose aufzubauen.
• Eine durchgängige KI-Anwendung zur Analyse von Betrugsdaten zu entwickeln.

Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz, bei dem Computer die Fähigkeit besitzen, zu lernen, ohne explizit dafür programmiert zu werden.

Deep Learning ist ein Unterbereich des maschinellen Lernens, der auf Methoden basiert, die das Erlernen von Datenrepräsentationen und -strukturen wie neuronalen Netzen nutzen.

Python ist eine Programmiersprache der höheren Ebene, die für ihre klare Syntax und gute Lesbarkeit des Codes bekannt ist.

In dieser durch einen Dozenten geleiteten Schulung lernen die Teilnehmer, wie sie Deep-Learning-Modelle für die Telekommunikationsbranche mit Python implementieren, indem sie schrittweise ein Deep-Learning-Kreditrisikomodell erstellen.

Am Ende dieser Schulung können die Teilnehmer:

• Die grundlegenden Konzepte von Deep Learning verstehen.
• Die Anwendungen und Einsatzmöglichkeiten von Deep Learning in der Telekommunikation erlernen.
• Python, Keras und TensorFlow nutzen, um Deep-Learning-Modelle für die Telekommunikationsbranche zu erstellen.
• Ihr eigenes Deep-Learning-Modell zur Vorhersage von Kundenabwanderung mit Python entwickeln.

Format des Kurses

• Interaktiver Vortrag und Diskussion.
• Umfangreiche Übungen und praktische Anwendungen.
• Praktische Implementierung in einer Live-Lab-Umgebung.

Optionen zur Kursanpassung

• Um eine maßgeschneiderte Schulung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Vereinbarung.

Dieses praxisorientierte Training unter Anleitung ist als natürlicher Aufbaukurs zum Kurs Python für Datenanalyse konzipiert.

Es führt die Teilnehmer in die grundlegenden Konzepte von Machine Learning ein und zeigt auf, wie diese direkt bei Aufgaben der Datenanalyse wie Vorhersage, Klassifizierung und Segmentierung angewendet werden können.

Im Mittelpunkt steht das Verständnis dafür, wie Machine Learning in der Praxis funktioniert. Dabei kommen vertraute Tools wie Python, Pandas und Jupyter Notebook zum Einsatz; Vorkenntnisse in fortgeschrittener Mathematik sind nicht erforderlich.

Dieses von Dozenten geleitete Live-Training in Wien (online oder vor Ort) richtet sich an Ingenieure, die die heutigen Ansätze und verfügbaren Tools bewerten möchten, um fundierte Entscheidungen über den weiteren Weg zur Einführung von MLOps in ihrer Organisation treffen zu können.

Nach Abschluss dieses Trainings sind die Teilnehmer in der Lage:

• Verschiedene MLOps-Frameworks und -Tools zu installieren und zu konfigurieren.
• Ein Team mit den richtigen Kompetenzen für den Aufbau und die Unterstützung eines MLOps-Systems zusammenzustellen.
• Daten für die Nutzung durch ML-Modelle vorzubereiten, zu validieren und zu versionieren.
• Die Komponenten eines ML-Pipelines und die benötigten Tools zum Aufbau eines solchen zu verstehen.
• Mit verschiedenen Machine-Learning-Frameworks und Servern für den Einsatz in der Produktion zu experimentieren.
• Den gesamten Machine-Learning-Prozess so zu operationalisieren, dass er reproduzierbar und wartbar ist.

Dieser instruktionsgeleitete Live-Kurs in Wien (online oder vor Ort) richtet sich an Datenanalysten und Entwickler auf mittlerem Niveau sowie angehende Data Scientists, die maschinelles Lernen in Python anwenden möchten, um Erkenntnisse zu gewinnen, Vorhersagen zu treffen und datengesteuerte Entscheidungen zu automatisieren.

Nach Abschluss dieses Kurses werden die Teilnehmer folgende Fähigkeiten erworben haben:

• Schlüssel-Paradigmen des maschinellen Lernens verstehen und voneinander unterscheiden können.
• Techniken zur Datenvorverarbeitung und Bewertungsmetriken für Modelle erkundet haben.
• Maschinenlern-Algorithmen zur Lösung realer Datenprobleme angewendet haben.
• Python-Bibliotheken und Jupyter-Notebooks für praktische Entwicklungen genutzt haben.
• Modelle für Vorhersage, Klassifizierung, Empfehlungssysteme und Clustering aufgebaut haben.

Dieser vom Dozenten geleitete Live-Training in Wien (online oder vor Ort) richtet sich an Entwickler und Data Scientists, die TensorFlow 2.x nutzen möchten, um Prädiktoren, Klassifikatoren, generative Modelle, neuronale Netze und ähnliches zu erstellen.

Nach Abschluss dieses Trainings können die Teilnehmer:

• TensorFlow 2.x installieren und konfigurieren.
• Vorzüge von TensorFlow 2.x gegenüber früheren Versionen verstehen.
• Deep-Learning-Modelle aufbauen.
• Einen fortschrittlichen Bildklassifikator implementieren.
• Ein Deep-Learning-Modell in die Cloud sowie auf Mobilgeräte und IoT-Geräte bereitstellen.

Dieser Kurs vermittelt Ihnen zunächst das konzeptionelle Wissen über neuronale Netzwerke und allgemein über Algorithmen des maschinellen Lernens sowie über Deep Learning (Algorithmen und Anwendungen).

Teil 1 (40 %) dieser Schulung legt den Schwerpunkt auf die Grundlagen, hilft Ihnen jedoch auch dabei, die richtige Technologie zu wählen: TensorFlow, Caffe, Theano, DeepDrive, Keras usw.

Teil 2 (20 %) der Schulung führt in Theano ein – eine Python-Bibliothek, das das Schreiben von Deep-Learning-Modellen vereinfacht.

Teil 3 (40 %) der Schulung konzentriert sich stark auf TensorFlow – die API der Open-Source-Softwarebibliothek von Google für Deep Learning. Alle Beispiele und Hands-on-Übungen werden in TensorFlow durchgeführt.

Zielgruppe

Dieser Kurs richtet sich an Ingenieurinnen und Ingenieure, die TensorFlow für ihre Deep-Learning-Projekte einsetzen möchten.

Nach Abschluss dieses Kurses werden die Teilnehmer:

• ein gutes Verständnis von Deep Neural Networks (DNN), CNN und RNN haben
• die Struktur und Bereitstellungsmechanismen von TensorFlow verstehen
• in der Lage sein, Aufgaben zur Installation, Produktionsumgebung und Architektur sowie zur Konfiguration durchzuführen
• in der Lage sein, die Codequalität zu bewerten, Debugging durchzuführen und Monitoring zu betreiben
• in der Lage sein, fortgeschrittene produktionstaugliche Aufgaben wie das Trainieren von Modellen, das Erstellen von Graphen und Logging zu implementieren