Makine ve Derin Öğrenme ile Büyük Veri Mühendisi

Büyük Veri Mühendisleri, BT ve veritabanı çözümlerinin disiplinlerarası analizi ve tasarımı için görevlendirilir. Bu nedenle, kurs öncelikle İş Zekası'nın temellerini tanıtıyor, Veri Mühendisliği'nin gerekliliklerini açıklıyor ve Veri Ambarı Modellemesi ile ETL'yi ele alıyor. Ardından, büyük veri miktarlarının depolanması, işlenmesi ve hesaplanmasına yarayan sektöre özgü yazılımlar aracılığıyla Büyük Veri kavramı sana daha ayrıntılı bir şekilde anlatılıyor. Son olarak, kurs sizi veri hazırlama ve model geliştirmeden değerlendirme ve yorumlamaya kadar makine öğreniminin tüm iş akışını adım adım gezdirir ve sinir ağlarına dayalı derin öğrenme yöntemlerini ilgili araçlarla birlikte gösterir.

  • Derece türü: "Büyük Veri Mühendisi" Sertifikası
    "Makine ve Derin Öğrenme" Sertifikası
  • Ek nitelikler: Veri Mühendisi" sertifikası
    "Büyük Veri Uzmanı" Sertifikası
    Makine Öğrenimi" sertifikası
    Derin Öğrenme" sertifikası
  • Final Sınavı: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
  • Ders saatleri: Tam zamanlı
    Pazartesi'den Cuma'ya 8:30 - 15:35 (resmi tatil olan haftalarda 8:30 - 17:10)
  • Eğitim dili: Alman
  • Süre: 16 Haftalar

Veri Mühendisi

Veri Mühendisliği ve Veri Mimarilerinin Temelleri (yaklaşık 2 gün)

Veri Mühendisliğinde Görevler ve Uygulama Alanları

Modern veri mimarileri ve veri platformlarının temelleri

Bulut tabanlı veri mimarilerinin temelleri ve karşılaştırması

OLTP ve OLAP

Yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış verilerin işlenmesi


Gereksinim Yönetimi ve Veri Modelleme (yaklaşık 1 gün)

Verilere ve veri kaynaklarına yönelik gereksinimler

Kavramsal veri modelleme

Veri yapıları ve veri akışlarının modellemesi

Veri Sözleşmeleri, Veri Yönetişimi ve Veri Kaynağı İzleme


Veritabanları ve Veri İşleme (yaklaşık 1 gün)

Veritabanı Sistemlerinin Mimarisi

SQL, NoSQL ve NewSQL karşılaştırması

İlişkisel veri modelleme

Verilerin Sorgulanması ve İşlenmesi için SQL


Veri Depolama ve Modern Veri Mimarileri (yaklaşık 2 gün)

Veri ambarı sistemlerinin temelleri ve mimarisi

Boyutsal veri modelleme ve şema tasarımı

Faktörler, boyutlar ve tarihsel veri depolama

Veri Ambarı, Veri Gölü ve Lakehouse Karşılaştırması

dbt'ye Giriş

Veri modellerinin uygulamaya yönelik hayata geçirilmesi


Veri Entegrasyonu ve Veri Akışları (yaklaşık 5 gün)

Veri entegrasyonu ve veri hazırlama

ETL ve ELT Süreçleri

Veri Boru Hatlarının Oluşturulması ve Koordinasyonu

Veri Temizleme, Doğrulama ve Veri Kalitesi

Toplu ve Akış İşleme

Airflow ve Spark'ın uygulamaya yönelik kullanımı


Programlama ve otomatik veri işleme (yaklaşık 4 gün)

Python ortamları ve paket yönetimi

Python ile veri işleme ve dönüştürme

Veri işleme süreçlerinin otomasyonu

Farklı veri kaynakları ve arayüzlerin entegrasyonu

Veri mühendisliği iş akışlarının geliştirilmesi

Docker ile konteynerleştirme

Geliştirme ve veri işleme süreçlerinde yapay zeka destekli yardım


Proje çalışması (yaklaşık 5 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

Büyük Veri Uzmanı

Büyük Veri Nedir? (yaklaşık 1 gün)

Hacim, Hız, Çeşitlilik, Değer, Doğruluk

Büyük miktarda verinin fırsatları ve riskleri

Farklılaşma: iş zekası, veri analitiği, veri bilimi

Veri madenciliğine giriş

Büyük veri ortamında yapay zeka ve veri odaklı sistemlerin rolü


Büyük veri çerçevelerine giriş (yaklaşık 2 gün)

Bulutta büyük veri çözümleri (AWS, Azure, GCP'ye genel bakış)

Veri erişim modelleri

Veri depolama

Veri gölleri ve veri ambarlarına giriş

Apache Hadoop ve Spark'a Genel Bakış


Spark ile dağıtık veri işleme (yaklaşık 3 gün)

Dağıtık sistemlerin temelleri

Apache Spark (Çekirdek ve SQL)

Veri işlemeye yönelik farklı yaklaşımların karşılaştırılması

Büyük miktarda verinin işlenmesi

Spark ile basit makine öğrenimi iş akışlarına giriş


Veri işlem hatları ve veri entegrasyonu (yaklaşık 2 gün)

ETL ve ELT süreçleri

Toplu işleme ve akış işleme

Veri boru hatlarının temelleri

Orkestrasyona giriş (örn. Airflow'a genel bakış)

Veri kalitesi ve hazırlığı


Bileşenler (yaklaşık 2 gün)

Çeşitli araçların kısa sunumu

Veri aktarımı

Büyük veri sistemlerinde kaynak yönetimine genel bakış

Hadoop ekosistemi

Apache Spark derinleşiyor

Akış teknolojilerine giriş


NoSQL ve veri depolama (yaklaşık 2 gün)

CAP teoremi

ASİT ve BAZ

Veritabanı türleri

HBase

Belge odaklı veri tabanlarına giriş

Depolama formatlarına giriş

Veri gölü yaklaşımlarına genel bakış


Büyük Veri Görselleştirme (yaklaşık 2 gün)

Görselleştirme teorileri

Diyagram seçimi

Yeni tip diyagramlar

Veri görselleştirme araçları

İş zekası araçlarına giriş (örn. Power BI, Tableau)

Veriye dayalı karar almanın temelleri


Veri yönetişimi ve veri koruma (yaklaşık 1 gün)

Veri bağlamında GDPR'nin temelleri

Veri etiği ve verilerin sorumlu kullanımı

Veri kalitesi ve yönetişim kavramları

Erişim kontrolleri ve güvenlik

Sorumlu yapay zeka kullanımının temelleri


Proje çalışması (yaklaşık 5 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

Makine Öğrenimi

Makine Öğrenimine Giriş ve ML İş Akışı (yaklaşık 3 gün)

Makine Öğreniminin Temelleri, Uygulama Alanları ve Türleri

Modern Yapay Zeka ve Makine Öğrenimi Yöntemlerinin Sınıflandırılması

scikit-learn ile Makine Öğrenimi İş Akışı

Eğitim, doğrulama ve test verileri

Underfitting, Overfitting ve Model Değerlendirmesi

Çapraz Doğrulama


Veri Hazırlama ve Özellik Mühendisliği (yaklaşık 2 gün)

Veri kalitesi ve veri ön işleme

Ölçeklendirme, Normalleştirme ve Kodlama

Özellik Mühendisliği ve Özellik Seçimi

Eksik değerler, uç değerler ve dengesiz veri kümeleriyle başa çıkma


Denetimli Öğrenme – Regresyon ve Sınıflandırma (yaklaşık 5 gün)

Regresyon ve Sınıflandırma Yöntemleri

Doğrusal ve düzenlemeli modeller

Mesafe, olasılık ve ağaç tabanlı yöntemler

Ensemble ve Boosting yöntemleri

Model karşılaştırması ve hiperparametre optimizasyonu

Değerlendirme metrikleri ve olasılıksal tahminler

Özellik Önemliliği ve Açıklanabilir Yapay Zeka 


Gözetimsiz öğrenme (yaklaşık 2 gün)

Boyut azaltma ve özellik çıkarma

Kümeleme yöntemleri ve kümeleme sonuçlarının değerlendirilmesi

Anomali Tespiti


Zaman Serisi Analizi ve Tahminler (yaklaşık 1 gün)

Zaman serisi verilerinin temelleri ve analizi

Zaman serileri için tahmin yöntemleri ve makine öğrenimi


Sinir ağları ve modern yapay zeka (yaklaşık 2 gün)

Sinir ağlarının temelleri ve derin öğrenme

Metin verileri için makine öğrenimi ve doğal dil işleme

Temel Modeller, Büyük Dil Modelleri ve üretken yapay zeka


ML modellerinin devreye alınması (yaklaşık 1 gün)

Eğitimli modellerin depolanması ve sunumu

Basit makine öğrenimi uygulamalarının geliştirilmesi

Makine öğrenimi modelleri için arayüzler ve platformlar


Proje çalışması (yaklaşık 4 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu

Derin öğrenme

Derin Öğrenmeye Giriş (yaklaşık 1 gün)

Bir makine öğrenimi türü olarak derin öğrenme


Sinir ağlarının temelleri (yaklaşık 4 gün)

Çok katmanlı algılayıcılar

Sinir ağlarının hesaplanması

Model parametrelerinin optimizasyonu, geriye yayılım

Derin öğrenme kütüphaneleri

Regresyon vs. sınıflandırma

Tipik kayıp ve aktivasyon fonksiyonları

Model tahmininin metriklerle değerlendirilmesi

Regresyon ve sınıflandırma metrikleri

Öğrenme eğrileri, aşırı uyum ve düzenlileştirme

Hiperparametre optimizasyonu

L1/12 düzenlemesi

Okulu Bırakma

Erken durdurma

Stokastik gradyan inişi (SGD)

Momentum, Adam Optimiser

Öğrenme oranının optimizasyonu

Dinamik öğrenme oranı ayarı

Platoda öğrenme oranını azaltın

TensorBoard ile öğrenme oranı optimizasyonu

Uyum sürecini geri aramalarla kontrol edin

Modelleri kaydetme ve yükleme


Evrişimsel Sinir Ağı (CNN) (yaklaşık 2 gün)

Görüntü sınıflandırma

Konvolüsyonel katmanlar, havuzlama katmanları

Katmanları yeniden şekillendirme, düzleştirme, küresel ortalama havuzlama

CNN mimarileri ImageNet-Competition

Derin sinir ağları, kaybolan gradyanlar, atlama bağlantıları, toplu normalizasyon


Transfer öğrenimi (yaklaşık 1 gün)

Modellerin uyarlanması ve birleştirilmesi

Denetimsiz ön eğitim

Görüntü verisi artırımı, açıklanabilir yapay zeka

Veri yükleyici


Bölgesel CNN (yaklaşık 1 gün)

Nesne lokalizasyonu

Anlamsal segmentasyon

Regresyon sorunları

Dallanmış sinir ağları

YOLO mimarisi

U-Net modelleri


Yaratıcı imaj oluşturma yöntemleri (yaklaşık 1 gün)

Üretken Çekişmeli Ağlar (GAN)

Deepfakes

Difüzyon modelleri

Süperçözünürlük

Görüntü alanlarını tamamlama

Hugging Face'in fondöten modellerini uygulayın

Multimodal modeller

LoRA-İnce Ayar

Üretken modellerin uygulama alanları

Yasal kısıtlamalar


Tekrarlayan sinir ağları (yaklaşık 2 gün)

Dizi analizi

Tekrarlayan katmanlar

Zaman içinde geri yayılım (BPTT)

Zaman serilerinin analizi

Patlayan ve kaybolan gradyan problemleri

LSTM (Uzun Kısa Süreli Bellek)

GRU (Gated Recurrent Unit)

Derin RNN

Derin LSTM


Sinir ağları kullanarak metin işleme (yaklaşık 2 gün)

Metin ön işleme

Katmanları gömme

Metin sınıflandırması

Duygu analizi

Doğal Dil İşleme (NLP)

Çeviriler

Metin oluşturma

Diziden diziye yöntemi, kodlayıcı-kod çözücü mimarisi

Yalnızca kodlayıcı ve yalnızca kod çözücü modelleri

Büyük dil modellerinin yerel uygulaması


Dil modelleri (yaklaşık 1 gün)

Transfomer mimarisi

Dikkat ve Çok Başlı Dikkat

Konumsal Kodlamalar

Büyük dil modellerine ince ayar yapma

Yönlendirme

Metin üretim hatları

Özetleme

Sohbet Robotları

Geri Alma Artırılmış Nesil

Yapay zeka ajanları


Derin pekiştirmeli öğrenme (yaklaşık 1 gün)

Dinamik sistemlerin kontrolü

Temsilci sistemleri

Ödüller aracılığıyla eğitim

Politika eğimleri

Derin Q-öğrenme


Bayesian sinir ağları (yaklaşık 1 gün)

Sinir ağlarındaki belirsizlikler

Tahminlerin istatistiksel değerlendirmesi

Güven, standart sapma

Dengesiz veri

Örnekleme yöntemleri


Proje çalışması (yaklaşık 3 gün)

Öğrenilen içeriği pekiştirmek için

Proje sonuçlarının sunumu



Değişiklikler mümkündür, kurs içeriği düzenli olarak güncellenmektedir.

Python programlama bilgisi ve ilişkisel veritabanları (SQL) konusunda bilgi sahibi olunması şarttır. Veri analitiği alanında ön bilgi sahibi olunması tavsiye edilir.

Verilerin harmanlanması, hazırlanması, zenginleştirilmesi ve iletilmesiyle ilgili süreçlerde yetkinsiniz. Ayrıca sektöre özgü yazılımların yardımıyla büyük, yapılandırılmamış veri miktarlarını işleyebilirsiniz. Apache çerçevesi hakkında bilgi sahibisiniz ve verileri çekici bir şekilde nasıl görselleştireceğinizi biliyorsunuz.

Ayrıca makine öğrenimi ve derin öğrenme hakkında da bilgi sahibisiniz. Makine öğrenimini kullanmanın en önemli nedenlerini, uygulama alanlarını ve makine öğreniminin çeşitli kategorilerini ve kavramlarını biliyorsunuz. Ayrıca derin öğrenmenin uygulama alanlarını ve sinir ağlarının nasıl çalıştığını da anlıyorsunuz. Makine öğrenimi ve dokümantasyon süreçlerini sağlayabileceksiniz.

Kurs, bilgisayar bilimleri, işletme enformatiği, işletme, matematik veya benzer bir yeterlilik derecesine sahip kişilere yöneliktir.

Büyük veri, şirketlerde geliştirme ve operasyon ekipleriyle işbirliği içinde BT çözümlerinin disiplinler arası analizi ve tasarımı için kullanılmaktadır. Büyük Veri Mühendisleri sanayi, ticaret, hizmet ve finans sektörlerindeki hem büyük hem de orta ölçekli şirketlerden talep görmektedir.

Ayrıca, makine öğrenimi ve derin öğrenme uzmanlık alanlarında yüksek niteliklere sahipsiniz, tüm sektörlerde kullanılabilirsiniz ve işgücü piyasasında yüksek talep görüyorsunuz. Örüntüler ve modeller için büyük miktarda veriyi analiz edebilirsiniz. Derin öğrenme genellikle yapay zeka bağlamında yüz, nesne veya konuşma tanıma için kullanılır.

Anlamlı sertifikanız, edindiğiniz nitelikler hakkında ayrıntılı bir fikir verir ve kariyer beklentilerinizi geliştirir.

Didaktik kavram

Eğitmenleriniz hem profesyonel hem de didaktik açıdan son derece kalifiyedir ve size ilk günden son güne kadar ders verecektir (kendi kendine çalışma sistemi yoktur).

Etkili küçük gruplar halinde öğreneceksiniz. Kurslar genellikle 6 ila 25 katılımcıdan oluşmaktadır. Genel dersler, tüm kurs modüllerinde çok sayıda pratik alıştırma ile desteklenmektedir. Uygulama aşaması kursun önemli bir parçasıdır, çünkü bu süre zarfında öğrendiklerinizi işler ve uygulamada güven ve rutin kazanırsınız. Kursun son bölümü bir proje, bir vaka çalışması veya bir final sınavını içerir.

 

Sanal sınıf alfaview®

BildungszentrumDersler, modern alfaview® video teknolojisi kullanılarak kendi evinizin rahatlığında ya da 'deki tesislerimizde gerçekleştirilir. Tüm kursiyerler alfaview® aracılığıyla birbirlerini yüz yüze görebilir, birbirleriyle dudak senkronize ses kalitesinde iletişim kurabilir ve ortak projeler üzerinde çalışabilir. Elbette, bağlı eğitmenlerinizi de istediğiniz zaman canlı olarak görebilir ve onlarla konuşabilirsiniz ve kursun tüm süresi boyunca eğitmenleriniz tarafından gerçek zamanlı olarak eğitileceksiniz. Dersler e-öğrenme değil, video teknolojisi aracılığıyla gerçek canlı yüz yüze öğretimdir.

 

alfatraining Agentur für Arbeit Eğitim kursları, AZAV onay yönetmeliğine uygun olarak sübvanse edilmekte ve sertifikalandırılmaktadır. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinKurs başvurusunda bulunduğunuzda, kurs masraflarının tamamı genellikle finansman kuruluşunuz tarafından karşılanır.
Europäischen Sozialfonds Deutsche Rentenversicherung (ESF), (DRV) veya bölgesel finansman programları aracılığıyla da finansman mümkündür. Berufsförderungsdienst Düzenli bir asker olarak, (BFD) aracılığıyla daha fazla eğitim kursuna katılmak mümkündür. Agentur für Arbeit (Qualifizierungschancengesetz) Şirketler de çalışanlarını (BFD) tarafından sağlanan bir finansman programı aracılığıyla kalifiye hale getirebilirler.

Size ücretsiz tavsiyede bulunmaktan memnuniyet duyarız.

0800 3456-500 Pzt - Cuma günleri sabah 8'den akşam 5'e kadar
tüm Alman şebekelerinden ücretsiz.

Bize ulaşın

Size ücretsiz tavsiyede bulunmaktan memnuniyet duyarız. 0800 3456-500 Pzt - Cuma günleri sabah 8'den akşam 5'e kadar tüm Alman şebekelerinden ücretsiz.