Lehrgang

Fachingenieur Data Science VDI

Veranstaltungsnummer: L0018

Mit VDI-Zertifikat

  • 4 Pflichtmodule:
    → Anwendungsfälle, Geschäftsmodelle und Umsetzung
    → Datenakquise, Automation und IT
    → Datenanalyse und maschinelles Lernen
    → Praktische AI und Integration in den industriellen Betrieb
  • 3 Wahlpflichtmodule
  • Zertifikatsprüfung

Kommende Termine:

Frühjahrsjahrgang 2025

(ab 10. April 2025)

Herbstjahrgang 2025

(ab 23. Oktober 2025)
Konfigurieren
Alle Termine und Optionen ansehen
Inhouse buchbar
Jetzt anfragen

Teilnahmevoraussetzung

Die Teilnahmevoraussetzung für den Zertifikatslehrgang und die Prüfung ist ein ingenieurwissenschaftlicher (Fach-)Hochschulabschluss. Darüber hinaus sind mindestens 3 Jahre Berufserfahrung zum Zeitpunkt der Zertifikatsprüfung nachzuweisen. Die Teilnahmequalifikation wird bei Anmeldung durch den VDI geprüft. Weitere Voraussetzung für die Teilnahme an der Zertifikatsprüfung ist der Besuch von 4 Pflicht- und 3 Wahlpflichtmodulen. Solltest du keinen ingenieurwissenschaftlichen (Fach-)Hochschulabschluss vorweisen können, sprich uns gerne an. Bei fehlender Qualifikation und Zulassung werden wir deine Buchung stornieren und du erhältst dein Geld zurück.

Fachingenieur Data Science VDI

Die digitale Transformation schreitet in allen Bereichen der Industrie rasant voran. Produktionsanlagen generieren z. B. im Sekundentakt riesige Datenmengen. Nur wenn diese richtig aufbereitet, analysiert und visualisiert werden, lassen sich aus dieser Datenflut Erkenntnisse gewinnen, die für valide unternehmerische Entscheidungen relevant sind. Daher sind Datenexpertinnen und -experten mit entsprechenden Analysefähigkeiten auf jeder Fachebene stark gefragt. Diese sollten sowohl über ingenieurwissenschaftliches Wissen zu den Systemen als auch über fortgeschrittene Datenkenntnisse verfügen.

Der Zertifikatslehrgang „Fachingenieur Data Science VDI“ vermittelt dir Grundlagen und Methoden im Bereich Data Science und stärkt mit einer Vielzahl an praxisnahen Übungen deine Problemlösungskompetenz. Du lernst u. a., die aus den Daten gewonnenen Erkenntnisse zu visualisieren und an alle Ebenen des Unternehmens – insbesondere den ingenieurwissenschaftlichen Feldern – zu kommunizieren. Darüber hinaus lernst du die Möglichkeiten und Grenzen des Einsatzes von Künstlicher Intelligenz und maschinellem Lernen kennen.

Ihre Ansprechpartnerin

Valeria Ciulla

Valeria Ciulla

Sie haben noch Fragen?

Hier finden Sie unsere FAQs und unser Informationsblatt zu den Zertifikatslehrgängen.

Aufbau des Lehrgangs

Der Zertifikatslehrgang "Fachingenieur Data Science VDI" wurde vom VDI gemeinsam mit Experten und Expertinnen aus der Branche als praxisorientierte Qualifizierung entwickelt. Er besteht aus 7 Modulen (4 Pflicht- und 3 Wahlpflichtmodulen) und vermittelt interdisziplinäres und aktuelles Wissen, welches du in der Praxis anwenden kannst. Die Wahlpflichtmodule kannst du individuell auf deine fachlichen, aber auch persönlichen Präferenzen abstimmen. Nach Abschluss aller 7 Module hast du die Möglichkeit, den vom VDI zertifizierten Titel "Fachingenieur Data Science VDI" durch erfolgreiche Teilnahme an der Abschlussprüfung zu erwerben. Zusätzlich bieten wir dir einen optionalen Vorbereitungsworkshop an, welcher dich optimal auf die Zertifikatsprüfung vorbereitet. Hinweis: Alle nachfolgenden Module können situationsbedingt auch online stattfinden.

4 Pflichtmodule

1. Pflichtmodul

Modul 1: Anwendungsfälle, Geschäftsmodelle und Umsetzung

Das Modul „Anwendungsfälle, Geschäftsmodelle und Umsetzung“ vermittelt dir Grundlagenwissen zum Thema Data Science, auf das die folgenden Module des Zertifikatslehrgangs aufbauen. Du erfährst u. a., welche Rolle Daten im Unternehmen spielen, mit welchen Werkzeugen du aus Daten Wissen generierst und wie Data-Science-Projekte zu neuen Geschäftsmodellen führen können. Außerdem lernst du, wie du geeignete Anwendungsfälle identifizieren und die Herausforderungen von Big Data meistern kannst.

1 Tag 09:00- 17:00 | 2 Tag 08:30-16:30

Berufsbild „Data Scientist“

  • „The Sexiest Job of the 21st Century“
  • Begriffe und Grundlagen
  • Mengendiagramm (Mathematik/Statistik/Informatik/Fachkompetenz)
  • Einsatzgebiete/Märkte/Anwendungsfälle/Geschäftsmodelle

Arbeite aktiv mit deinem Team in einer praktischen Übung
 

Teil 1: Anwendungsfälle sammeln

Berufsbild „Data Scientist“

  • Data Science im Unternehmen einführen
  • Aufgaben und Rollen (Data Scientist/Data Engineer/Data Analyst/Projektmanager*in)
  • Vom Alchemisten/Von der Alchemistin zum Datenprofi
  • Starke Analysen durch fundiertes Domänenwissen
  • Der Domänenprofi und die Daten / AutoML
  • Advanced Data Analysis Demo
     

Vorgehen: Schritte zum erfolgreichen Data-Science-Projekt

  • CRISP-DM Übersicht: Stufen im Data Mining
  • EU-initiierter weltweiter Standard
  • Geschäftsverständnis/Datenverständnis/Datenvorbereitung/Modellierung/Evaluierung/Bereitstellung
     

Werkzeuge und Plattformen

  • Standards (SQL/CSV/…)
  • Sprachen (Python/C/…)
  • Libraries/Frameworks (Numpy/…)
  • Anbieter/Plattformen (KNIME/…)
  • Hyperscaler (AWS/Azure …)
  • GenAI
     

GenAI

  • Was ist generative KI?
  • Beispiele aus Text, Bild, Audio und Programmcode
  • GenAI-Werkzeuge
     

Verwertbare Daten

  • Big Data:
    • Volumen, Vielfalt, Geschwindigkeit und Wahrhaftigkeit
    • Strukturiert - unstrukturiert
  • Big Data – Small Data
  • Synthetische Daten
  • Datenstrategie
     

Hardware

  • Cloud/Edge/Prozessor/…
  • Moore’sches Gesetz
  • Trainieren und Bewerten
     

Vertrauen und Ethik

  • DSGVO – das sollten Unternehmen beachten
  • Explainable AI und Vertrauenswürdige KI
  • Federated Learning

Arbeite aktiv mit deinem Team in einer praktischen Übung
 

Teil 2: Kriterien erstellen und Anwendungsfälle bewerten

Der Projektablauf

  • Beispiele aus der Praxis
  • Workshop und Proof of Concept
  • Geheimhaltungsvereinbarung
  • Methodik und Randbedingungen
  • Basisverständnis als Mindestanforderung des Auftraggebers
  • Projektprotokoll
  • Kommunikation von Analyseergebnissen

Arbeite aktiv mit deinem Team in einer praktischen Übung
 

Teil 3: Präsentation eines Vorschlags aus der TOP3 zu Anwendungsfällen und dem Proof of Concept

Data Science in der Welt

  • Wie sieht es in den USA, China, Europa etc. aus?
  • Klimawandel, Armut und autonome Waffensysteme
  • Demokratie und Weltherrschaft
  • Patente

Seminarleitung

Peter Seeberg studierte in Delft in den Niederlanden Computer Aided Design. Er arbeitet 25 Jahren für internationale IT-Unternehmen und ca. 10 Jahren im Bereich der industriellen Automatisierung. Seit Anfang 2019 ist er als selbständiger KI-Berater für asimovero.AI tätig. Seeberg war aktiv an der Einführung von Industrie 4.0 bei Bitkom, VDMA, OPC Foundation und Smart-Factory beteiligt und ist Mitbegründer des internen Start-ups Industrial Data Intelligence. Er hält Vorträge, schreibt Fachbücher, moderiert Diskussionsrunden und berät Firmen zur Einführung von KI und Data Science. Außerdem ist er Co-Produzent der Podcasts „KI in der Industrie“ und „15KI“.

2. Pflichtmodul

Modul 2: Datenakquise, Automation und IT

Das zweite Pflichtmodul des Zertifikatslehrgangs „Fachingenieur Data Science VDI“ zeigt dir, wie du potenzielle Datenquellen in der Produktion identifizierst und Maschinendaten modellierst. Du lernst u. a., mit welchen Methoden und Werkzeugen du heterogene, verteilt vorliegende Daten zusammenführst und erfährst in Praxisübungen, wie du Daten mit Jupyter aufbereitest und bereinigst. Weitere Themen sind die Datensicherheit, die Bedeutung von Data Compliance und rechtliche Aspekte inklusive der Vorgaben der DSGVO und des BetrVerfG.

1 Tag 09:00- 17:00 | 2 Tag 08:30-16:30

Data Science in der Produktion

  • Potenziale und Einsatzmöglichkeiten
  • Beispielprojekte aus der Praxis
     

Mögliche Datenquellen in der Produktion

  • Bestandssysteme
  • Sensorik
  • Steuerungen

Gruppenübung: Gemeinsame Erarbeitung möglicher Datenquellen
 

Wahre Schätze: Maschinendaten

  • Gängige Protokolle: Siemens S7, Modbus, Ethernet/IP, weitere
  • Standards: OPC UA, MQTT, Sparkplug
  • Architekturen zur Datenaufnahme: Edge, Cloud
     

Die Semantik von (Maschinen-)Daten

  • Was bedeutet Semantik?
  • Wie können die Daten modelliert werden?
  • Gängige Standards: Plattform Industrie 4.0 Verwaltungsschale, W3C, Vorto

Praxisübung: Beschreiben von Maschinendaten
 

Datenhaltung

  • Arten von Datenbanken: RDBMS, Zeitreihen, dokumentorientiert
  • „Data Lake“ vs. „Data Warehouse“

Praxisübung: Aufbau eines „Data Lake“
 

Datenimport

  • Import von Daten in den Data Lake z. B. mittels NodeRED oder Apache Streampipes
  • Wie können Bestandsdatenquellen angebunden werden?
  • Ausblick: Was sind Enterprise Integration Patterns?

Praxisübung: Diskussion von Praxisbeispielen Anbindung von Beispieldatenquellen
 

Datenhygiene

  • Visualisieren von Daten
  • Werkzeuge und Algorithmen zur Datenaufbereitung

Praxisübung: Datenreinigung mit Jupyter
 

Datensicherheit und Rechtliches

  • Datensicherheit: Ziele und Umsetzung
  • Rechtliche Hintergründe: DSGVO, BetrVerfG
  • Die Bedeutung von Data Compliance

Seminarleitung

Ing. Robert Buk ist gelernter Maschinenbauer und studierte am Technikum Wien Business Analytics. Er arbeitet seit 30 Jahren für internationale IT-Unternehmen (Kapsch, Erste Group IT, u. a.) und hat sich ab 2005 im Bereich Business Intelligence und Analytics spezialisiert. Seit 2020 ist er als selbständiger KI-Berater für seine BI-Automation GmbH tätig. Er hält Vorträge für das Controlling, schreibt an seiner Doktorarbeit, moderiert Diskussionsrunden und berät Firmen bei der Einführung von KI und Data Science. Aktuell beschäftigt er sich auch mit den Themen ESG Reporting (Nachhaltigkeits-Reporting und die Lieferkettensorgfaltspflicht).

3. Pflichtmodul

Modul 3: Datenanalyse und maschinelles Lernen

Neben den klassischen Methoden der Statistik haben sich vor allem selbstlernende Algorithmen bei der Analyse großer Datenbestände etabliert. Doch im Bereich des maschinellen Lernens existiert eine Vielzahl an Methoden und Werkzeugen mit z. T. sehr unterschiedlichen Stärken und Schwächen. Das dritte Modul des Zertifikatslehrgangs „Fachingenieur Data Science VDI“ zeigt dir, welche Verfahren der Datenanalyse sich für welche technischen Anwendungen eignen.

Außerdem lernst du das Konzept der neuronalen Netze kennen und erfährst, worin sich die Methoden des überwachten und unüberwachten Lernens unterscheiden. Das Modul informiert dich ebenso über die Möglichkeiten des sogenannten „Reinforcement Learning“. Anhand eines Anwendungsbeispiels siehst du, wie du diese vielversprechende Methode des maschinellen Lernens auf eine Ressourcenoptimierungsaufgabe anwendest.

1 Tag 09:00- 17:00 | 2 Tag 08:30-16:30

Mathematische Grundlagen und wichtige Begriffe

  • Wahrscheinlichkeiten
  • Einige typische Verteilungen
  • Regressionsalgorithmen
     

Einführung in neuronale Netze

  • Geschichte der neuronalen Netze
  • Feedforward-Netze
  • Rekurrente Netze
  • Autoencoder
  • Convolutional Neural Networks
     

Methoden des überwachten Lernens und Klassifikationsaufgaben

  • Entscheidungsbäume und Random-Forest-Ansätze
  • QDA als Beispiel für ein statistisches Verfahren
  • Neuronale Netze als Klassifikator

Anwendungsbeispiel: Diagnose in der Produktion
 

Methoden des unüberwachten Lernens und Anomalieerkennungsaufgaben

  • Das Prinzip der Maximum-Likelihood-Schätzer und statistische Ansätze
  • Clustering-Algorithmen
  • Anomalieerkennung als Anwendungsbeispiel
  • Neuronale Netze für das unüberwachte Lernen

Anwendungsbeispiel: Condition Monitoring
 

Reinforcement-Learning und Optimierungsaufgaben

  • Agenten
  • Markow-Ketten
  • Q-Learning

Anwendungsbeispiel: Ressourcenoptimierung

Seminarleitung

Prof. Dr. Oliver Niggemann arbeitete nach seiner Promotion im Jahr 2001 als Software-Entwickler in der Telekommunikationsbranche. 2008 übernahm er die Professur für Technische Informatik an der Hochschule Ostwestfalen-Lippe und leitete dort das Labor für „Artificial Intelligence in Automation“. Zudem war Prof. Niggemann langjähriges Vorstandsmitglied des Instituts für industrielle Informationstechnologien (inIT) und stellvertretender Leiter des Fraunhofer IOSB-INA Institutsteil für industrielle Automation. Seit 2019 ist er Universitätsprofessor für „Informatik im Maschinenbau“ an der Helmut-Schmidt-Universität/Universität der Bundeswehr Hamburg. Dort forscht er am Institut für Automatisierungstechnik im Bereich der Künstlichen Intelligenz und des maschinellen Lernens für Cyber-physische Systeme.

4. Pflichtmodul

Modul 4: Praktische AI und Integration in den industriellen Betrieb

Um in produzierenden Unternehmen aus Anlagendaten einen konkret nutzbaren Mehrwert zu generieren, haben sich Methoden der Künstlichen Intelligenz (KI) bzw. Artificial Intelligence (AI) als äußerst hilfreich erwiesen. Wie die praktische Umsetzung aussehen kann, lernst du anhand von Beispielen, die auf einem Raspberry Pi als kompakte Hardware-Basis realisiert werden. Das Modul bietet einen Einblick in die Sensorik von Industrieanlagen und vermittelt, wie mögliche Probleme in der Anlage identifiziert und behoben werden können. Außerdem lernst du verschiedene Kommunikationsarchitekturen, einschließlich Cloud-Anbindung, sowie die Unterschiede zwischen Produktionssoftware und Prototypen kennen.

Das Modul umfasst zwei umfangreiche Praxisblöcke, in denen du grundlegende Problemstellungen mithilfe des Raspberry Pis bearbeitest. Die Übungen bieten dir einen praxisnahen Einblick in die spezifischen Herausforderungen beim Einsatz von KI im industriellen Kontext. Dadurch erhältst du einen Eindruck davon, wie die digitale Transformation die Arbeitsweisen im Unternehmen und deine eigene Rolle verändern kann.

1 Tag 09:00- 17:00 | 2 Tag 08:30-16:30

Hardware und Sensorik

  • Das „Mein iPhone kann doch auch“-Paradox
  • Sensorik in der Praxis: kein Thema für Laien
  • Praktische Erfahrungen mit Sensoren in Anlagen
     

Probleme in der Anlage

  • Räumliche Probleme
  • Mechanische Probleme
  • Sicherheitsprobleme
  • Übertragungsprobleme
  • Wie man diese Probleme erkennt und löst
     

Kommunikationsarchitektur

  • Kommunikationswege
  • Verarbeitungsknoten
  • Lokale Verarbeitung
  • Cloud-Anbindung
  • SPS-Anbindung
     

Prototyping-Sensorknoten Raspberry Pi

  • Einführung der Hardware
  • Ideen des Rapid-Prototypings für industrielle Data Science
  • Agile Ideen für industrielle Data Science
     

Praxisblock 1

  • Datenaufzeichnung
  • Prüfung der Datenqualität
  • Antrainieren eines einfachen Modells mittels gängiger Werkzeuge
  • Praktischer Blick auf die Ergebnisse
     

Plötzlich Softwareunternehmen

  • Unterschiede zwischen Datenlabor und Betrieb
  • Welche Fähigkeiten braucht es im Unternehmen?
  • „Clash of Cultures“ zwischen Industrie und IT
     

Produktionssoftware

  • Unterschiede zwischen Produktionssoftware und Prototypen
  • Wie kann die Transformation gelingen?
  • Testen und Qualitätssicherung
     

IT-Infrastruktur

  • Unterschiedliche Anforderungen vom IT-Betrieb und industriellem Betrieb
  • Die schwere Frage: Cloud oder eigene Infrastruktur?
  • Welche Werkzeuge stehen zur Verfügung?
     

Praxisblock 2

  • Umbau des AI-Prototypen zur Softwarekomponente
  • Aufsetzen einer kleinen Infrastruktur auf dem Raspberry Pi
  • Umwidmung der Sensordaten: von der Lernquelle zum überwachten System

Seminarleitung

Michael Welsch ist Gründer, Geschäftsführer und Head of AI bei PANDA. Nach seinem Maschinenbaustudium arbeitete er im Automotive-Sektor im Bereich Entwicklung, Schadensanalysen und Prozessoptimierung und wechselte von dort in die Forschung. 2016 startet er die Entwicklung eines neuen Maschine-Learning-Ansatzes für die Überwachung und Analyse von Produktionsprozessen, was 2018 schließlich zur Ausgründung der PANDA GmbH führte. Die PANDA GmbH hat sich auf die Integration von KI in der industriellen Fertigung spezialisiert.
 
Ciarán Moyne ist Softwareentwickler bei PANDA und arbeitet hier an Kundenintegrationsprojekten. Er kommt aus Irland, wo er sein Informatik-Studium am Trinity College in Dublin absolvierte. Man sieht ihn selten ohne ein Embedded-Entwicklungsboard auf dem Schreibtisch und er beherrscht die Datenverarbeitung von der Low-Level-Programmierung bis hin zur Backend-Webentwicklung. Mit vielen offenen Terminals fühlt er sich am wohlsten. Am Wochenende nimmt er gerne Dinge auseinander und modifiziert die Software, sich seinem Willen zu beugen. 

3 Wahlpflichtmodule

Entscheide dich für mindestens drei Seminare aus dem folgenden Wahlpflichtbereich. Die Auswahl triffst du bei der Konfiguration. Detailinformationen zu den jeweiligen Seminaren erhältst du per Klick auf den entsprechenden "Details ansehen"-Button.

Vorbereitungsworkshop (optional)

Im Rahmen des Vorbereitungsworkshops hast du die Gelegenheit, dein erlerntes Wissen aus den Pflichtmodulen für die Zertifikatsprüfung mit Unterstützung der Lehrgangsleitung und im Gespräch mit anderen Teilnehmenden zu vertiefen.

Lerne anhand von Beispielaufgaben die Fragentypen und die Anforderungen der Zertifikatsprüfung kennen. Darüber hinaus bietet dir der Vorbereitungsworkshop die Möglichkeit, letzte offene Fragen zu klären. Der Prüfungsvorbereitungskurs ist von 09:00 bis ca. 17:00 Uhr angesetzt und findet online statt.

Die Teilnahme am Workshop ist optional, wird jedoch empfohlen.

Zertifikatsprüfung

Der Zertifikatslehrgang zum „Fachingenieur Data Science VDI“ schließt mit der Zertifikatsprüfung ab. Die Prüfung setzt sich aus einem schriftlichen Prüfungsteil in Form einer 2-stündigen Klausur und einem mündlichen Teil zusammen, in dem ein etwa 30-minütiges Fachgespräch geführt wird.

In der Prüfung muss jede*r Teilnehmende über den im Lehrplan festgelegten Wissensstand verfügen, welcher von der Lehrgangsleitung abgefragt wird. Prüfungsrelevant sind die 4 Pflichtmodule des Lehrgangs.

Die Prüfung findet im VDI Haus in Düsseldorf statt und ist i. d. R. von 08:30 bis ca. 16:00 Uhr angesetzt.

Nach Bestehen der Prüfung verleiht dir das VDI Wissensforum das Abschlusszertifikat, welches dich dazu berechtigt, den Titel „Fachingenieur Data Science VDI“ zu führen.

Herausragende Absolventinnen und Absolventen erhalten zudem ein Referenzschreiben der Lehrgangsleitung, wenn sie bei der Abschlussprüfung 180 oder mehr von 200 möglichen Punkten erreichen.

Zielgruppe

Der Zertifikatslehrgang richtet sich an Ingenieur*innen sowie Fach- und Führungskräfte aus allen industriellen Bereichen. Angesprochen sind insbesondere Mitarbeitende aus produzierenden Unternehmen der gesamten Wertschöpfungskette aller Branchen. Dazu zählen u. a.:

  • Maschinen- und Anlagenbau
  • Prozessindustrie
  • Elektro- und Elektronikindustrie
  • Fahrzeugindustrie

Von der Teilnahme profitieren insbesondere Leitende, Führungskräfte, Ingenieur*innen und Mitarbeitende aus den folgenden Bereichen:

  • Forschung und Entwicklung
  • Qualitätssicherung
  • Fertigung
  • Prozesstechnik
  • Innovation

Neben Neu- und Quereinsteiger*innen wendet sich der Zertifikatslehrgang auch an alle technischen Fach- und Führungskräfte und „Nicht-ITler“, die ihre Kenntnisse vertiefen und ein aussagekräftiges Zertifikat im Bereich Data Science erwerben möchten. Programmierkenntnisse sind nicht erforderlich.

Lehrgangsleitung

Prof. Dr. Oliver Niggemann, Institut für Automatisierungstechnik, Helmut-Schmidt-Universität/Universität der Bundeswehr Hamburg

Deine Vorteile als Teilnehmer*in

  • Du erwirbst den vom VDI zertifizierten Titel „Fachingenieur Data Science VDI“.
  • Du erwirbst in den 4 Pflichtmodulen fundiertes theoretisches Wissen und profitierst von den praxisorientierten Lehrinhalten.
  • Du wählst deinen individuellen Fokus in 3 spezialisierten Wahlpflichtmodulen, passend zum Aufgabenschwerpunkt in deinem Unternehmen.
  • Du profitierst von den Kontakten zu den anderen Teilnehmenden und Referierenden aus Forschung und Industrie und baust dein berufliches Netzwerk aus.
     

Deine Vorteile als Führungskraft sowie Personaler*in

  • Du erweiterst systematisch das Know-how von Spitzenkräften in deinem Unternehmen, indem du gezielt in die Qualifikation deiner Mitarbeitenden investierst.
  • Du präsentierst dich als attraktives Unternehmen für angehende Führungskräfte und bindest wichtige Mitarbeitende an dein Unternehmen.
  • Du sicherst dir Wettbewerbsvorteile durch Mitarbeitende mit anerkanntem Qualifizierungszertifikat „Fachingenieur Data Science VDI“.   

Lehrgang konfigurieren

Veranstaltungsnummer: L0018

Fachingenieur Data Science VDI

Details Lehrgang
4 Pflichtmodule

Die Auswahl des Termins findet bei der Konfiguration statt.

Fachingenieur Data Science VDI - Modul 1: Anwendungsfälle, Geschäftsmodelle und Umsetzung
Zwischen 10.04. – 05.09.2025 Mehrere Standorte
Fachingenieur Data Science VDI - Modul 2: Datenakquise, Automation und IT
Zwischen 10.04. – 05.09.2025 Mehrere Standorte
Fachingenieur Data Science VDI - Modul 3: Datenanalyse und maschinelles Lernen
Zwischen 10.04. – 05.09.2025 Mehrere Standorte
Fachingenieur Data Science VDI - Modul 4: Praktische AI und Integration
Zwischen 10.04. – 05.09.2025 Mehrere Standorte
3 Wahlpflichtmodule

Die Auswahl der Module findet bei der Konfiguration statt.

Zwischen 28.11.2024 – 30.10.2025 Mehrere Standorte
Optionale Ergänzung
Fachingenieur Data Science VDI - Vorbereitungsworkshop zur Zertifikatsprüfung
20.10.2025 Online
Zertifikatsprüfung
20.11.2025 Düsseldorf
Details Lehrgang
4 Pflichtmodule

Die Auswahl des Termins findet bei der Konfiguration statt.

Fachingenieur Data Science VDI - Modul 1: Anwendungsfälle, Geschäftsmodelle und Umsetzung
Zwischen 23.10.2025 – 24.03.2026 Mehrere Standorte
Fachingenieur Data Science VDI - Modul 2: Datenakquise, Automation und IT
Zwischen 23.10.2025 – 24.03.2026 Mehrere Standorte
Fachingenieur Data Science VDI - Modul 3: Datenanalyse und maschinelles Lernen
Zwischen 23.10.2025 – 24.03.2026 Mehrere Standorte
Fachingenieur Data Science VDI - Modul 4: Praktische AI und Integration
Zwischen 23.10.2025 – 24.03.2026 Mehrere Standorte
3 Wahlpflichtmodule

Die Auswahl der Module findet bei der Konfiguration statt.

Zwischen 28.11.2024 – 13.02.2026 Mehrere Standorte
Optionale Ergänzung
Fachingenieur Data Science VDI - Vorbereitungsworkshop zur Zertifikatsprüfung
22.05.2026 Online
Zertifikatsprüfung
18.06.2026 Düsseldorf

Preis

ab 12.670,– € zzgl. Ust.

15.077,30 €inkl. Ust. *

Konfigurieren