Eine praktische Grundlage für die Entwicklung skalierbarer Machine-Learning-Lösungen mit PySpark ML in Big-Data-Umgebungen. Der Schwerpunkt liegt auf der Konzeption und Implementierung von End-to-End-Machine-Learning-Pipelines mit Transformatoren und Schätzern sowie auf der Entwicklung von Regressions-, Klassifikations- und Clustering-Modellen, die sich auf verteilte Systeme skalieren lassen. Der Schwerpunkt liegt auf der praxisnahen Umsetzung und der fundierten Plattformauswahl für Unternehmensbereitstellungen mit Azure Databricks, Microsoft Fabric und Azure HDInsight, um sicherzustellen, dass die Lösungen sowohl technisch robust als auch im großen Maßstab betrieblich tragfähig sind.

„Groß angelegte Textanalyse“ befasst sich mit den Herausforderungen und Techniken, die für die Verarbeitung und Analyse unstrukturierter Texte im Unternehmensmaßstab unter Verwendung verteilter Rechenframeworks erforderlich sind. Der Schwerpunkt liegt auf der Anwendung von Techniken der natürlichen Sprachverarbeitung (NLP) in skalierbaren Architekturen zur Unterstützung der Textklassifizierung, der Stimmungsanalyse sowie der Entitäts- und Beziehungs-Extraktion in riesigen Textkorpora. Der Schwerpunkt liegt auf praktischen, produktionsorientierten Ansätzen für den Umgang mit großen Textdatenmengen, wobei Azure Cognitive Services integriert werden, um die Genauigkeit, Skalierbarkeit und betriebliche Effizienz in realen Analyselösungen zu verbessern.

Der Kurs „Deep Learning für Big Data“ vermittelt die Grundlagen des Deep Learning sowie fortgeschrittene Architekturen, die speziell auf Big-Data-Umgebungen zugeschnitten sind. Die Studierenden lernen, neuronale Netze für Big-Data-Anwendungen zu implementieren, Transfer-Learning-Techniken mit vortrainierten Modellen anzuwenden und das Deep-Learning-Training mithilfe moderner Frameworks und Optimierungstechniken auf verteilte Cluster zu skalieren.

„Generative KI und Big-Data-Integration“ untersucht, wie generative KI die Big-Data-Analyse verändert, indem sie intelligente, auf natürlicher Sprache basierende Arbeitsabläufe in großem Maßstab ermöglicht. Sie lernen, wie Fundamentmodelle und große Sprachmodelle in verteilte Datenpipelines integriert werden, um Erkenntnisse zu automatisieren, Analysen zu verbessern und moderne Datenanwendungen zu unterstützen. In praktischen Übungen implementieren Sie die LLM-Integration, wenden Feinabstimmungen für domänenspezifische Anwendungsfälle an und entwerfen produktionsreife GenAI-Lösungen für reale Big-Data-Szenarien.