Schulungssuche

Quanten Computing und Maschinelles Lernen sind Schlüsseltechnologien, die unsere Technologielandschaft in den kommenden Dekaden maßgeblich prägen werden, und es teilweise heute schon tun. Um auf diesen Gebieten konkurrenzfähige Resultate zu erzielen sind hochqualifizierte Experten notwendig, welche in beiden Bereichen Expertise aufweisen. Das Modul deckt Themen in der Schnittmenge aus Quantencomputing und Maschinellem Lernen ab. Es richtet sich sowohl an Personen mit Quantencomputing-Hintergrund als auch Personen mit einem Hintergrund im Bereich Data Science. Die Teilnehmenden erlangen die Fähigkeit maschinelles Lernen mit Quantencomputern erfolgreich anzuwenden. Dazu werden zahlreiche aktuelle Methoden präsentiert, die es ihnen ermöglicht, auf zukünftige Hardware-Fortschritte zu reagieren und eigenständig neue QML-Algorithmen zu entwickeln. Die vermittelten Konzepte werden mit einer Vielzahl von Fallbeispielen aus realen Anwendungen und Projekten illustriert. Ein großer Teil des Kurses dient dazu, das Erlernte mit praktischen Anwendungsbeispielen weiter zu vertiefen.

Im Kontext der Digitalisierung spielen Methoden des maschinellen Lernens eine immer größer werdende Rolle bei der Analyse von Maschinen- und Anlagendaten. Insbesondere die Konstruktion geeigneter Kennzahlen und Features sowie die fachgemäße Interpretation der Analyseresultate - z.B. im Bereich der prädiktiven Wartung - stellen eine große Herausforderung dar.

Sie lernen aktuelle Verfahren des maschinellen Lernens und des Deep Learnings kennen. Ausgehend von den Grundprinzipien des maschinellen Lernens wird die Repräsentation von Bedeutungen durch Einbettungsvektoren vorgestellt. Mit Hilfe von Self-Attention können extrem leistungsfähige kontextabhängige Einbettungen konstruiert werden, die für vielfältige Aufgaben eingesetzt werden können. Sie erhalten einen umfassenden Deep Dive in die Funktionsweise von generativen Sprachmodellen (z.B. ChatGPT) und daraus abgeleiteten Modellen zur Bilderzeugung (z.B. DALL-E). Ergänzend werden verwandte state-of-the-art Modelle zur Zeitreihenanalyse und Robotersteuerung vorgestellt.

In the 1990s, Shor's quantum algorithm demonstrated an exponential speed-up over classical algorithms for factoring large numbers. The development of quantum computing is making great progress and there is a need to learn how to take advantage of quantum computing. This course, which is organized by the Fraunhofer institutes FOKUS and ITWM, you will learn the basics of quantum computing, including its most important algorithms. The concepts taught are illustrated with several case studies from real applications and projects. A large part of the course is used to further consolidate what has been learned with practical application examples.

Quantencomputing und die darunter zugrunde liegende Quantenmechanik öffnen neue Türen der Berechnung. In den 1990er Jahren demonstrierte Shor’s Algorithmus einen exponentiellen Speed-Up gegenüber klassischen Algorithmen zur Faktorisierung großer Zahlen. In letzter Zeit macht die Entwicklung von Quantencomputern große Fortschritte und wir müssen lernen, wie wir die Vorteile von Quantencomputern nutzen können. In diesem Training, das wir in Zusammenarbeit mit dem Fraunhofer ITWM organisieren, lernen Sie die Grundlagen des Quantencomputers und die wichtigsten Algorithmen des Quantencomputers kennen. Die vermittelten Konzepte werden mit einer Vielzahl von Fallbeispielen aus realen Anwendungen und Projekten illustriert. Ein großer Teil des Kurses dient dazu, das Erlernte mit praktischen Anwendungsbeispielen weiter zu vertiefen.

Durch die Schulung »Data Scientist Basic Level« erlangen Sie breitgefächertes Wissen, um effizient in Data Science Teams mitarbeiten zu können. Sie erfahren, wie Business Developer die Potenziale von Big Data in ihrem Unternehmen erschließen, wie Dateningenieur*innen Daten beschreiben und integrieren, wie Analyst*innen mit maschinellen Lernverfahren Muster und Trends erkennen und wie Software-Ingenieur*innen mit modernen Datenbanken und verteilten Berechnungsverfahren robuste und skalierbare Big-Data-Systeme entwickeln. All dies unter Berücksichtigung von Datenschutz und -sicherheit. Die Schulung schließt mit einer Prüfung zum Erwerb des Zertifikats »Data Scientist Basic Level« ab.

In der Schulung »Certified Data Scientist Specialized in Production« erhalten Sie einen praxisnahen Einblick in den Entwicklungszyklus eines Machine Learning Projektes im Produktionsumfeld. Von der Use Case Findung und Bewertung, über die Datenaufnahme, Vorverarbeitung und Modellierung in Python bis hin zum Deployment werden konkrete Vorgehensmodelle umgesetzt. Die Schulung schließt mit einer Prüfung zum Erwerb des Zertifikats »Certified Data Scientist Specialized in Production« ab.

Diese Schulung ist sowohl für Fachkräfte mit Erfahrung in der Datenanalyse und grundlegendem Verständnis der Mikroelektronik als auch für erfahrene Hardware-Entwickler geeignet, die sich mit Machine Learning und dessen Einsatz in kleinen Geräten vertraut machen möchten. In der Schulung lernen Sie Methoden und Tools zur Entwicklung und Implementierung von Machine Learning-Anwendungen auf Mikrocontrollern (»Tiny Machine Learning (TinyML)«) kennen. Nach Abschluss der Schulung sind Sie in der Lage, die Herausforderungen und Lösungsansätze für die Implementierung von ML-Anwendungen auf Mikrocontrollern in Ihrem Unternehmen zu erkennen, passende Strategien zu entwickeln und haben konkrete Umsetzungsbeispiele kennengelernt. Sie erlangen Kenntnisse über die wichtigsten technischen Aspekte von TinyML, einschließlich der Entwicklung von ML-Modellen, der Implementierung auf Mikrocontrollern und der Optimierung für Betrieb und Leistung. Sie profitieren von unserem tiefgreifenden Verständnis der Datenwissenschaft und der langjährigen Projekterfahrung in internen und Kundenprojekten. Dieser Kurs ist eine ideale Vertiefung in das Themenfeld TinyML, da Sie Konzepte, Methoden und Werkzeuge nicht nur theoretisch kennenlernen, sondern auch in ersten Ansätzen praktisch erfahren.

Das Seminar bietet einen Überblick über den Stand der Technik an der Schnittstelle zwischen funktionaler Sicherheit (Safety) und Künstlicher Intelligenz inklusive relevanter Normen und Normungsinitiativen, zudem schafft es Bewusstsein für die Herausforderungen beim Einsatz von KI in sicherheitskritischen Lösungen, indem typische Problemstellungen aus diesem Spannungsfeld aufgezeigt werden. Teilnehmer*innen lernen mögliche Strategien für den sicheren Einsatz von KI-Lösungen kennen und erproben eine Auswahl von Ansätzen, die ihnen dabei helfen, konkrete Herausforderungen zu adressieren und maßgeschneiderte Safety-Konzepte abzuleiten. Die online durchgeführte Schulung beinhaltet einen hohen Anteil an Übungen und Interaktion, um die Inhalte praxisnah zu vermitteln und den Transfer in den beruflichen Alltag zu erleichtern. Als zertifizierter »Data Scientist Specialized in Assuring Safety« wissen Sie über das Gefahren- und Innovationspotential von KI-Anwendungen im sicherheitskritischen Umfeld besitzen einen Überblick über die Grundlagen des Safety Engineerings kennt maßgebliche KI-Grundlagen aus dem Blickwickel Safety können Nutzen und Verbindlichkeit von Safety und KI-Standards einordnen kennen eine Auswahl möglicher Strategien und Maßnahmen für sichere KI können Assurance Cases, als mögliche Argumentationsgrundlage für KI-bezogene Sicherheitsnachweise, exemplarisch anwenden

Werden Sie Spezialist*in für das Datenmanagement! Unsere Fraunhofer-Expert*innen vermitteln Ihnen, wie Sie mit dem Konzept des Data Lakes Daten für die Analyse zusammenführen und aufbereiten. Diese praxisorientierte und interaktive Ausbildung befähigt Sie, Entscheidungen zur Einführung und Nutzung von Data Lakes oder NoSQL-Datenbanken zu treffen.