Expertenprogramm1,500 Std. · Online · 11 Module
Expertenprogramm Machine Learning für maritime Sicherheit
Das Expertenprogramm befähigt dazu, auffällige Muster zu erkennen und den maritimen Sektor gegen aktuelle Bedrohungen zu schützen. Sie arbeiten mit AIS-, Radar- und Betriebsdaten sowie Verfahren der Anomalieerkennung. Modellbewertung und Fehlalarmkosten gehören dazu.
Dauer1,500 h
FormatOnline
Beginn1 Dezember
Module11
Programm-Check
Einstufung Ihrer Vorkenntnisse
Diese Kompetenzen vermittelt Ihnen das Programm. Markieren Sie diejenigen, die Sie bereits beherrschen, und wir zeigen Ihnen, welcher Teil des Lehrplans für Sie relevant ist.
Ihre Auswertung
6von 6 noch zu erwerben
Sie beginnen in diesem Fachgebiet bei null. Genau dafür ist das Programm konzipiert.
Über das Programm
Was ist das Programm Expertenprogramm Machine Learning für maritime Sicherheit?
Dieses Online-Expertenprogramm mit 1.500 Stunden bereitet Sie darauf vor, den maritimen Sektor vor aktuellen Bedrohungen zu schützen. Sie lernen, anomale Muster in Navigationsdaten zu erkennen, Cybersicherheitsrisiken auf Schiffen und in Häfen vorherzusehen und die Notfallreaktion zu optimieren. Es verbindet Machine-Learning-Theorie mit Praxisfällen.
Was es auszeichnet: ein Fokus auf maritime Anwendungen, Zugang zu anonymisierten Datensätzen und Arbeit mit Werkzeugen wie Python und TensorFlow.
ProgrammartExpertenprogramm
FormatOnline
Dauer1,500 Stunden
Module11
Beginn1 Dezember
Highlights des Programms
- Fortgeschrittene prädiktive Analytik zur Früherkennung von Bedrohungen.
- Umfassende maritime Sicherheit: Schutz von Schiffen, Häfen und Routen.
- Visualisierung von Geodaten auf interaktiven Karten.
- Praxisfälle und Simulationen realer Situationen im Sektor.
- Ein Karriereschub in der maritimen Sicherheit.
Lehrplan
Lehrplan des Programms Expertenprogramm Machine Learning für maritime Sicherheit
11 Module. Wählen Sie ein Modul aus, um seine Inhalte zu sehen.
Modul 1
Grundlagen von Machine Learning und Data Science für den maritimen Bereich
- 1.1. Einführung in maschinelles Lernen in der maritimen Industrie: Anwendungsfälle in Sicherheit, Überwachung und Notfallreaktion
- 1.2. Vorverarbeitung, Bereinigung und Imputation verrauschter maritimer Daten (Radar-, Sonar-, GNSS- und IoT-Sensoren)
- 1.3. Angewandte Algorithmen des überwachten Lernens: Regression, Entscheidungsbäume, Random Forest und SVM
- 1.4. Algorithmen des unüberwachten Lernens: Clustering (K-Means, DBSCAN) für Verkehrsmuster und Anomalieerkennung
- 1.5. Grundlagen des Deep Learning: mehrschichtiges Perzeptron und fortgeschrittene Architekturen
- 1.6. Bewertung und Validierung von Modellen: Leistungsmetriken (Precision, Recall, ROC-AUC) bei seltenen Risikoereignissen
- 1.7. Werkzeuge und Bibliotheken des Python-Ökosystems (Scikit-Learn, TensorFlow, PyTorch, Pandas, GeoPandas)
- 1.8. Erfassung und Verwaltung von Echtzeit-Datenströmen (Data Streaming) für maritime Kontrollumgebungen
- 1.9. MLOps-Prinzipien: Bereitstellung, Überwachung und Aktualisierung von Modellen in Seenotleitstellen und auf Schiffen
- 1.10. Ethik, Verzerrungen und Erklärbarkeit von KI (XAI - SHAP/LIME) bei kritischen nautischen Entscheidungen
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 2
Anomalieerkennung und Identifizierung irregulären Schiffsverkehrs (AIS/Radar)
- 2.1. Struktur und Massenverarbeitung von AIS-Daten (Automatic Identification System) und VMS-Daten (Vessel Monitoring System)
- 2.2. Algorithmen zur Ausrichtung und Rekonstruktion von Trajektorien mit Kalman-Filtern und rekurrenten neuronalen Netzen (RNN/LSTM)
- 2.3. Erkennung abgeschalteter Transponder (Dark Vessels) und verdächtigen Verhaltens mittels Machine Learning
- 2.4. Identifizierung illegaler, nicht gemeldeter und unregulierter Fischerei (IUU) durch Analyse räumlich-zeitlicher Muster
- 2.5. Unüberwachte Modelle (Isolation Forest, Autoencoder) zur Erkennung unbeabsichtigter oder böswilliger Kursabweichungen
- 2.6. Automatische Klassifizierung von Schiffstypen anhand von Kinematik und Manövriermustern
- 2.7. Erkennung von GPS-/AIS-Identitätsspoofing und Fälschung von Schiffspositionen
- 2.8. Modellierung der Verkehrsdichte und dynamische Heatmaps des Kollisionsrisikos
- 2.9. Integration von Daten aus Küstenradar und Radar mit synthetischer Apertur (SAR) mit telematischen Signalen
- 2.10. Frühwarnsysteme zur Erkennung von Drogenhandel, Schmuggel und Piraterie auf hoher See
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 3
Computer Vision und automatische Zielerkennung auf See
- 3.1. Grundlagen der Computer Vision im maritimen Umfeld: optische Herausforderungen (Blendung, Wellen, Nebel, Reflexion)
- 3.2. Echtzeit-Erkennung und -Segmentierung maritimer Objekte mit den Architekturen YOLO, Faster R-CNN und Mask R-CNN
- 3.3. Klassifizierung von Wasserfahrzeugen anhand elektrooptischer (EO) und Infrarotbilder (IR/FLIR)
- 3.4. Verarbeitung optischer Satellitenbilder und von Radar mit synthetischer Apertur (SAR) für die globale Meeresüberwachung
- 3.5. Automatische Erkennung von Hindernissen, Schiffbrüchigen, treibenden Containern und Meeresfauna
- 3.6. Algorithmen zur Mehrobjektverfolgung (Multi-Object Tracking - MOT) in Videosequenzen von Bordkameras
- 3.7. Computer Vision für autonomes Anlegen und Navigation in engen Fahrwassern
- 3.8. Erkennung von Ölverschmutzungen (Oil Spills) und Plastikverschmutzung mittels multispektraler Bilder
- 3.9. Fusion von Bild- und kinematischen Daten für ein immersives Lagebild auf der Brücke
- 3.10. Optimierung von Vision-Modellen für den Einsatz auf Edge-Geräten (Edge AI) in Drohnen und Bojen
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 4
Kollisionsverhütung und autonome Navigation ohne Risiko (COLREGs)
- 4.1. Mathematische Formalisierung und Auslegung des COLREG-Übereinkommens (Internationale Regeln zur Verhütung von Zusammenstößen auf See)
- 4.2. Berechnung der Schiffsdomäne (Ship Domain) und Metriken des Kollisionsrisikos (CPA - Closest Point of Approach, TCPA)
- 4.3. Reinforcement Learning für dynamische Entscheidungen bei Ausweichmanövern
- 4.4. Algorithmen zur sicheren Routenplanung (Path Planning) unter Umwelt- und Verkehrsbeschränkungen
- 4.5. Intelligente Systeme zur Navigationsunterstützung und -assistenz (Decision Support Systems - DSS)
- 4.6. Simulation von Begegnungsszenarien mit mehreren Schiffen und Lösung extremer Gefahrensituationen
- 4.7. Physik-informierte neuronale Netze (PINNs) zur Modellierung des dynamischen Schiffsverhaltens
- 4.8. Bewertung des menschlichen Faktors und Ermüdungsanalyse durch biometrisches Monitoring und KI-gestützte Visualisierung
- 4.9. Integration von KI mit dem System zur Fernidentifizierung und -verfolgung von Schiffen (LRIT)
- 4.10. Validierung und Zertifizierung von Algorithmen für autonome Navigation gemäß IMO-Richtlinien (MASS-Schiffe)
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 5
Wettervorhersage, Seegangsmodellierung und sichere Routenführung
- 5.1. Machine-Learning-Modelle zur schnellen Vorhersage extremer Wetterereignisse (Sturmböen, Hurrikane, Nebel)
- 5.2. Verarbeitung ozeanografischer Daten: Oberflächentemperatur, Salzgehalt, Strömungen und signifikante Wellenhöhe
- 5.3. Algorithmen des maschinellen Lernens zur Driftprognose von Objekten, manövrierunfähigen Fahrzeugen und Ölverschmutzungen
- 5.4. Optimierung von Seerouten (Weather Routing) zur Minimierung des Risikos von Schwerwetterschäden
- 5.5. Erkennung und Vorhersage der Bildung von Meereis (Sea Ice) und Eisbergen mittels SAR-Bildern und ML
- 5.6. Modellierung von Monsterwellen (Rogue Waves) mit Deep-Learning-Algorithmen
- 5.7. Erkennung von Resonanz und Kentergefahr durch Verlust der dynamischen Stabilität (Parametric Rolling)
- 5.8. Fusion klassischer numerischer Vorhersagen (ECMWF, NOAA) mit KI-korrigierten Modellen
- 5.9. Abschätzung von Wellenschlagkräften auf Offshore-Strukturen und Häfen
- 5.10. Erstellung interaktiver Wetterrisikokarten und Routenempfehlungen in Echtzeit
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 6
Vorausschauende Instandhaltung, Schiffszustand und Betriebssicherheit
- 6.1. Zustandsüberwachung des Rumpfes (Structural Health Monitoring): Erkennung von Ermüdung, Rissen und Verformungen
- 6.2. Vorausschauende Instandhaltung der Antriebsanlage (Haupt- und Hilfsmotoren sowie Turbolader) mit IoT-Sensoren
- 6.3. Analyse von Schwingungs- und Schmierdaten mit Algorithmen zur Klassifizierung beginnender Fehler
- 6.4. Abschätzung der Restnutzungsdauer (RUL) kritischer Schiffskomponenten mithilfe zeitlicher Regressionsmodelle
- 6.5. Überwachung von Rudermaschine, Stellmotoren und Propellern zur Vermeidung von Manövrierfähigkeitsverlust
- 6.6. Fehlererkennung in Feuerlöschsystemen, an der Dichtheit von Luken und an Lenzpumpen
- 6.7. Zustandsbewertung von Batterien und hybriden/elektrischen Antriebssystemen auf modernen Schiffen
- 6.8. Analyse von Daten der maritimen Blackbox (VDR - Voyage Data Recorder) für Sicherheitsaudits
- 6.9. Automatisierung vorbeugender Instandhaltungspläne und der Notversorgung mit Ersatzteilen
- 6.10. Datengestützte digitale Zwillinge zur Echtzeitbewertung der Schiffssicherheit
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 7
Maritime Cybersicherheit und Schutz kritischer Infrastrukturen
- 7.1. Analyse der Cyberbedrohungslage im maritimen Sektor: Schiffe, Häfen und Schifffahrtskanäle
- 7.2. Erkennung von Eindringversuchen und Anomalien in OT/IT-Netzen an Bord (CAN-Bus, NMEA, Modbus) mittels ML
- 7.3. Schutz von Positionierungssystemen (GPS/GNSS) vor Spoofing- und Jamming-Angriffen mit KI
- 7.4. Cybersicherheit auf autonomen und cloudvernetzten Schiffen mit Zero-Trust-Architekturen und KI
- 7.5. Analyse des Cyberverhaltens von Besatzungsmitgliedern und Leitstellenpersonal (Erkennung von Phishing und Datenabflüssen)
- 7.6. Prädiktive Modelle für cyber-physische Risiken in Hafeninfrastrukturen und automatisierten Terminals
- 7.7. Erkennung von Ransomware und Malware für maritime industrielle Steuerungssysteme (ICS/SCADA)
- 7.8. Maritime Bedrohungsaufklärung (Cyber Threat Intelligence) mittels Text Mining und NLP
- 7.9. Protokolle zur automatisierten Reaktion auf Cybervorfälle an Bord während der Fahrt
- 7.10. Vorschriften zur maritimen Cybersicherheit (IMO-Entschließung MSC.428(98), ISO/IEC 27001, NIS 2)
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 8
Suche und Rettung (SAR) und intelligentes Notfallmanagement
- 8.1. Optimierung von Such- und Rettungseinsätzen (SAR) durch algorithmische Vorhersage von Suchgebieten
- 8.2. Autonome Koordination von Drohnenschwärmen (UAV) und unbemannten Überwasserfahrzeugen (USV) bei Rettungseinsätzen
- 8.3. Thermische und visuelle Erkennung von Personen im Wasser (MOB - Mann über Bord) mit Edge-AI-Algorithmen
- 8.4. Planung von Notevakuierungen auf Fahrgastschiffen mittels agentenbasierter Simulation und ML
- 8.5. Algorithmen zur Priorisierung und Zuweisung von Rettungsmitteln bei Schiffskatastrophen
- 8.6. Analyse von Notrufen (Mayday) und Sprachkommunikation mit Natural Language Processing
- 8.7. Brandrisikomanagement an Bord: Vorhersage der Ausbreitung von Feuer und Rauch über die Decks
- 8.8. Integration von Frühwarnsystemen mit den Satellitennetzen von Cospas-Sarsat
- 8.9. Schadensbewertung nach Kollision oder Grundberührung mit Modellen des maschinellen Lernens
- 8.10. Analyse historischer Daten zu Seeunfällen zur kontinuierlichen Verbesserung der Rettungsprotokolle
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 9
Hafensicherheit, Kontrolle der Seegrenzen und globales maritimes Management
- 9.1. Intelligente Überwachung von Hafenzugängen und Sperrbereichen mittels Gesichts- und Kennzeichenerkennung
- 9.2. Automatisierte Containerinspektion: zerstörungsfreie Röntgen-/Gammaanalyse mit Deep-Learning-Bildauswertung
- 9.3. Erkennung von blinden Passagieren, Menschenhandel und illegalen Waren in Hafenanlagen
- 9.4. Risikobewertung von Schiffen vor dem Einlaufen (intelligente Hafenstaatkontrolle)
- 9.5. Prädiktive Modelle für Hafenüberlastung und Unfallverhütung auf Ankerplätzen
- 9.6. Umweltsicherheit in Häfen: Überwachung von Luftqualität, Lärm und unbeabsichtigten Einleitungen
- 9.7. Koordination der Gefahrenabwehr an der Schnittstelle Schiff/Hafen (ISPS-Code)
- 9.8. Geopolitische Aufklärung und Risikobewertung von Seerouten in Konfliktgebieten
- 9.9. KI-gestützte Informations- und Managementsysteme der Verkehrszentralen (VTS - Vessel Traffic Services)
- 9.10. Internationale Governance, Datenschutz auf hoher See und Regulierung künstlicher Intelligenz im Sicherheitsbereich
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 10
Ethik, Erklärbarkeit und operativer Einsatz von Machine-Learning-Modellen
- 10.1. Qualität maritimer Trainingsdaten
- 10.2. Verzerrungen und Robustheit der Modelle
- 10.3. Erklärbarkeit und Interpretierbarkeit
- 10.4. Validierung und Testen von Modellen
- 10.5. MLOps und Produktivbetrieb
- 10.6. Edge Computing an Bord
- 10.7. Überwachung von Modelldrift
- 10.8. KI-Regulierung
- 10.9. Verantwortung und menschliche Aufsicht
- 10.10. Projekt zum operativen Einsatz
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoModul 11
Masterabschlussprojekt: Intelligentes System für maritime Sicherheit
- 11.1. Definition einer realen Fallstudie im Bereich maritime Sicherheit (Prävention, Überwachung, SAR oder Cybersicherheit)
- 11.2. Auswahl, Erhebung und Strukturierung maritimer Datensätze (AIS, Satellitenbilder, Sensoren)
- 11.3. Entwurf der Machine-Learning- oder Deep-Learning-Architektur zur Lösung der gestellten Aufgabe
- 11.4. Training, Hyperparameter-Tuning und Optimierung der entwickelten Modelle
- 11.5. Integration der Komponenten in eine Echtzeit-Datenpipeline (Data Pipeline)
- 11.6. Entwicklung der Benutzeroberfläche / des operativen Dashboards für Seenotleitstellen oder Schiffsbrücken
- 11.7. Experimentelle Validierung des Systems mit ungesehenen Daten und Simulationen kritischer Szenarien
- 11.8. Bewertung der Wirkung auf Risikominderung, Betriebskosten und Reaktionszeiten
- 11.9. Erstellung des technischen Berichts und der Management-Zusammenfassung nach akademischen und industriellen Standards
- 11.10. Öffentliche Präsentation, Live-Demonstration des Modells und mündliche Verteidigung vor dem Fachgremium
In dieser Phase
136 hgeschätzter Aufwand11 Wo.Wochen in Ihrem TempoPlanen Sie Ihr Tempo
Dauer und Format des Programms Expertenprogramm Machine Learning für maritime Sicherheit
Das Programm umfasst 1,500 Stunden. Geben Sie an, wie viele Stunden Sie pro Woche investieren können, und wir sagen Ihnen, wann Sie tatsächlich fertig sind.
4 h30 h
Mit 12 Std. pro Woche
29
Monate bis zum Abschluss
125 Wochen
Wochen insgesamt
In diesem Tempo schließen die meisten Teilnehmenden ab. Es passt gut zum Ratenplan.
Lehrkörper
Akademische Leitung und Lehrkörper
Das Lehrteam von Navalis: aktive Fachleute aus der Praxis, die die Programme unterrichten und betreuen.
Dra. Marina AlcoverAkademische Direktorin und Leiterin des Qualitätsmanagements
Ing. Diego CifuentesProfessor für Schiffsschweißtechnik und zerstörungsfreie Prüfung; Leiter QA/QC für Schweißverbindungen
Cap. Javier Abaroa (MCA)Professor für Schiffsführung, elektronische Navigation (ECDIS/Radar/ARPA) und GMDSS; Koordinator für STCW-Compliance und Bridge Resource Management
Dr. Pau FerrerProfessor für Schiffbau und Simulation; Leiter des Labors für Hydrodynamik und CFD
Dra. Nuria LlobregatProfessorin für maritime Meteorologie, SAR und Betriebssicherheit; Koordinatorin für nautisches Risikomanagement
Ing. Javier BañulsProfessor für Elektrotechnik, Automatisierung und ETO-Technik; Koordinator für elektronische Integration und Maschinenalarme
Ing. Sofía MarquinaProfessorin für Werkstoffe, Verbundwerkstoffe und Korrosionsschutz; Koordinatorin des Bereichs moderne Anstriche und Beschichtungen
Ing. Tomás RieraProfessor für Antriebstechnik, alternative Energien und Hybridsysteme; Koordinator für Energieeffizienz und SchwingungenZiele
Ziele des Programms Expertenprogramm Machine Learning für maritime Sicherheit
01Verdächtige Aktivitäten in Echtzeit erkennen und vorhersagen.
02Das Risikomanagement im maritimen Betrieb optimieren.
03Die Identifizierung von Anomalien im Seeverkehr automatisieren.
04Prädiktive Modelle zur Verhinderung maritimer Vorfälle entwickeln.
05Die Effizienz der maritimen Notfallreaktion verbessern.
06Die Cybersicherheit kritischer maritimer Infrastrukturen stärken.
Berufsaussichten
Berufsaussichten nach dem Programm Expertenprogramm Machine Learning für maritime Sicherheit
Häufige Fragen
Fragen zum Programm Expertenprogramm Machine Learning für maritime Sicherheit
Maritime Sicherheit
Für Fachleute der maritimen Sicherheit, Reedereien und Häfen sowie für Datenanalysten und Ingenieure, die maschinelles Lernen zum Schutz des maritimen Sektors einsetzen möchten.
Zu 100 % online, mit einem rund um die Uhr verfügbaren virtuellen Campus, aufgezeichneten Live-Sitzungen und Tutorien mit dem Lehrteam.
Kollisionen vorhersagen und verhindern durch die Analyse von Radar-, AIS- und Wetterdaten.
Mit Python und TensorFlow, anonymisierten maritimen Datensätzen, der Erkennung auffälliger Muster in Navigationsdaten und der Visualisierung von Geodaten auf interaktiven Karten.
Ja. Sie lernen, Cybersicherheitsrisiken auf Schiffen und in Häfen vorherzusehen und die Notfallreaktion mithilfe prädiktiver Analysen zu optimieren.
Das Programm umfasst 1.500 Stunden, die Sie im Rahmen des bei der Einschreibung mitgeteilten Zeitplans in Ihrem eigenen Tempo absolvieren können. Jedes Programm hat einen eigenen Starttermin, den das Zulassungsteam bestätigt.
Durch praktische Fälle mit realen Datensätzen, kurze Wissenstests und eine Abschlussarbeit, in der Sie eine Lösung auf Basis maschinellen Lernens für ein Problem der maritimen Sicherheit entwickeln.
Verwandte Programme
Weitere Programme im Bereich Innovation und Start-ups
Expertenprogramm · 1,500 hExpertenprogramm Fernbetrieb autonomer Schiffe und MASS-CodeCHF 4,790 · Programm ansehen →Expertenprogramm · 1,500 hExpertenprogramm KI für autonome NavigationCHF 3,620 · Programm ansehen →Expertenprogramm · 1,500 hExpertenprogramm Digital Twins für Schiffe und HäfenCHF 4,780 · Programm ansehen →
Online-Zulassung
Zulassungsverfahren
Kein Warten auf einen Rückruf. Wenn Ihre Unterlagen vollständig sind, können Sie sich in derselben Sitzung einschreiben.
Zulassungsvoraussetzungen
- Profil: ein Abschluss in Mathematik, Statistik, Informatik, Physik oder einem verwandten Bereich oder nachgewiesene Berufserfahrung in Data Science, Softwareentwicklung oder maritimer Sicherheitsanalyse.
- Sprache: Fortgeschrittenes technisches Englisch wird empfohlen.
- Technische Kenntnisse: grundlegende Programmierung (vorzugsweise Python), Statistik und lineare Algebra.
- Unterlagen: Lebenslauf, Kopie des Abschlusses, ggf. Notenauszug, Ausweisdokument oder Reisepass und ein Motivationsschreiben.
- Technische Anforderungen für das Online-Studium: ein Computer mit Kamera und Mikrofon, eine stabile Verbindung und Zugang zu Software für Datenanalyse und Machine Learning (kostenlose oder Open-Source-Alternativen sind verfügbar).
- 01BewerbungIhre Daten, Ihr Werdegang und Ihre Unterlagen.
- 02Sofortige PrüfungWir prüfen, ob alles vollständig und korrekt ist.
- 03EinschreibungWählen Sie Einmal- oder Ratenzahlung und sichern Sie sich Ihren Platz.
Bewerbung startenAb CHF 1,240 Anzahlung
Die Zulassung gilt vorläufig, bis das Komitee die eingereichten Unterlagen geprüft hat. Werden die Voraussetzungen nicht erfüllt, wird der gesamte Betrag erstattet.
Noch Fragen?
Fragen Sie uns vor der Einschreibung
Hinterlassen Sie Ihre Kontaktdaten, und die Zulassungsstelle meldet sich bei Ihnen, um alle Fragen zu klären. Wenn Sie sich schon sicher sind, können Sie sich direkt bewerben und in derselben Sitzung bezahlen.