Lehrgang

Fachingenieur Data Science VDI

Veranstaltungsnummer: L0018

Mit VDI-Zertifikat

  • Vier Pflichtmodule: Anwendungsfälle, Geschäftsmodelle und Umsetzung, Datenakquise, Automation und IT, Datenanalyse und maschinelles Lernen, Praktische AI und Integration in den industriellen Betrieb
  • Drei 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 drei 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 Pflichtmodulen und 3 Wahlpflichtmodulen. Sollten Sie keinen ingenieurwissenschaftlichen (Fach-)Hochschulabschluss vorweisen können, sprechen Sie uns gerne an. Bei fehlender Qualifikation und Zulassung werden wir Ihre Buchung stornieren und Sie erhalten Ihr 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. Doch universitäre Angebote decken die Nachfrage noch nicht ab bzw. behandeln lediglich Teilbereiche, da „Data Science“ eine relativ neue Disziplin ist.

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

Ihre Ansprechpartnerin

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 Sie in der Praxis anwenden können. Die Wahlpflichtmodule können Sie individuell auf Ihre fachlichen aber auch persönlichen Präferenzen auswählen. Nach Abschluss aller 7 Module können Sie den vom VDI zertifizierten Titel "Fachingenieur Data Science VDI" erwerben. Zusätzlich besteht die Möglichkeit einen optionalen Vorbereitungsworkshop zu besuchen, welcher Sie optimal auf die Zertifikatsprüfung vorbereitet. Hinweis: Alle nachfolgenden Module können situationsbedingt auch online stattfinden.

4 Pflichtmodule

Modul 1: Anwendungsfälle, Geschäftsmodelle und Umsetzung

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

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
     

Arbeiten Sie aktiv mit Ihrem 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)
  • Vom Alchemisten zum Datenprofi
  • Starke Analysen durch fundiertes Domänenwissen
  • Der Domänenexperte und „seine“ 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

Arbeiten Sie aktiv mit Ihrem 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

Arbeiten Sie aktiv mit Ihrem 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“.

Modul 2: Datenakquise, Automation und IT

Das 2. Pflichtmodul des Zertifikatslehrgangs „Fachingenieur Data Science VDI“ zeigt Ihnen, wie Sie potenzielle Datenquellen in der Produktion identifizieren und Maschinendaten modellieren. Sie lernen u.a., mit welchen Methoden und Werkzeugen Sie heterogene, verteilt vorliegende Daten zusammenführen und erfahren z.B. in Praxisübungen, wie Sie Daten mit Jupyter aufbereiten und bereinigen. 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 Controller, 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).

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 Modul 3 des Zertifikatslehrgangs „Fachingenieur Data Science VDI“ zeigt Ihnen, welche Verfahren der Datenanalyse sich für welche technischen Anwendungen eignen.

Außerdem lernen Sie das Konzept der neuronalen Netze kennen und erfahren, worin sich die Methoden des überwachten und unüberwachten Lernens unterscheiden. Das Modul informiert Sie ebenso über die Möglichkeiten des sogenannten „Reinforcement Learning“. Anhand eines Anwendungsbeispiels sehen Sie, wie Sie diese vielversprechende Methode des maschinellen Lernens auf eine Ressourcenoptimierungsaufgabe anwenden.

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.

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 Artificial Intelligence (AI) als überaus nützlich erwiesen. Wie die konkrete Umsetzung aussehen kann, lernen Sie u. a. anhand von Beispielen, die als Hardware-Basis Raspberry Pi nutzen. Das Modul gibt Ihnen einen Einblick in die Sensorik von Industrieanlagen und zeigt, wie sie mögliche Probleme in der Anlage erkennen und lösen. Außerdem lernen Sie verschiedene Kommunikationsarchitekturen inklusive Cloud-Anbindung und die Unterschiede zwischen Produktionssoftware und Prototypen kennen.

Das Modul beinhaltet zwei umfangreiche Praxisblöcke, in denen Sie einfache Probleme mit einem Raspberry Pi als Hardwarebasis lösen. Die Übungen geben Ihnen einen konkreten Einblick in die speziellen Herausforderungen des Einsatzes von AI im industriellen Umfeld. So gewinnen Sie einen ersten Eindruck, wie die digitale Transformation die Aufgaben im Unternehmen wie auch Ihre 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

Sie haben die Wahl, mindestens drei Wahlpflichtmodule aus den folgenden Seminaren zu wählen. Die Auswahl können Sie bei der Konfiguration treffen. Detailinformationen zu den jeweiligen Seminaren erhalten Sie bei Klick auf die entsprechenden "Detail"-Buttons.

Vorbereitungsworkshop (optional)

Im Vorbereitungsworkshop haben Sie die Gelegenheit, Ihr erlerntes Wissen aus den Pflichtmodulen für die Zertifikatsprüfung zum „Fachingenieur Data Science VDI“ mit Unterstützung des Lehrgangsleiters und im Gespräch mit anderen Teilnehmenden sowohl zu vertiefen und als auch zu verfestigen. Zudem können Sie den Workshop nutzen, um gemeinsam Beispielaufgaben zu lösen und offene Fragen zu klären. Die Teilnahme am Prüfungsvorbereitungskurs ist nicht verpflichtend, wird aber empfohlen. Er findet in der Zeit von 09:00 bis circa 17:00 Uhr statt.

Zertifikatsprüfung

Nachdem Sie die 4 Pflichtmodule und 3 Wahlpflichtmodule des Zertifikatslehrgangs erfolgreich absolviert haben, können Sie an der Zertifikatsprüfung „Fachingenieur Data Science VDI“ teilnehmen. Die Prüfung gliedert sich in 2 Teile, einer ca. 2-stündigen schriftlichen Klausur und einem rund 30-minütigen mündlichen Fachgespräch mit den Prüfern.

Sämtliche Themen der 4 Pflichtmodule sind prüfungsrelevant. In der Prüfung müssen Sie nachweisen, dass Sie über den im Lehrplan definierten Wissensstand verfügen. Die Prüfungskommission besteht aus der Lehrgangsleitung und Mitarbeitenden des VDI Wissensforums. Nachdem Sie die VDI-Zertifikatsprüfung erfolgreich bestanden haben, erhalten Sie das Abschlusszertifikat, das es Ihnen erlaubt, den Titel „Fachingenieur Data Science VDI“ zu führen.

Die ganztägige Prüfung dauert in der Regel von 09:30 bis ca. 17:00 und findet im VDI Haus statt.

Zur optimalen Vorbereitung auf die Prüfung empfehlen wir den Besuch des Vorbereitungsworkshops.

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

Ihre Vorteile durch Ihre Teilnahme

  • Sie erwerben fundiertes theoretisches Wissen in Kombination mit einem hohen Praxisanteil.
  • Nach bestandener Abschlussprüfung dürfen Sie den anerkannten und zertifizierten Titel „Fachingenieur Data Science VDI“ führen.
  • 4 Pflichtmodule vermitteln umfassendes Grundlagenwissen.
  • Wählen Sie 3 der 8 spezialisierten Wahlpflichtmodule aus und setzen Sie so Ihren individuellen Fokus, passend zu Ihrem Tätigkeitsschwerpunkt.
  • Sie profitieren vom Erfahrungs- und Informationsaustausch mit den anderen Teilnehmenden und Referenten und bauen ein berufliches Netzwerk für die Zeit nach dem Zertifikatslehrgang auf.

Ihre Vorteile als Führungskraft sowie Personaler*in

  • Die Qualifizierung von Mitarbeitenden stärkt die Zukunftsfähigkeit Ihres Unternehmens.
  • Sie erweitern systematisch das Know-how Ihrer Spitzenkräfte.
  • Sie präsentieren sich als attraktives Unternehmen für angehende Nachwuchskräfte und binden wichtige Mitarbeitende an Ihr Unternehmen.
  • Sie sichern sich Wettbewerbsvorteile durch hochqualifizierte Fachkräfte mit anerkanntem Zertifikat „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 05.11.2024 – 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 05.11.2024 – 13.02.2026 Mehrere Standorte
Optionale Ergänzung
Fachingenieur Data Science VDI - Vorbereitungsworkshop zur Zertifikatsprüfung
22.05.2026 Online
Zertifikatsprüfung
18.06.2026 Düsseldorf