Seminare zum Thema Objektorientierte Programmierung
Auf Seminarmarkt.de finden Sie aktuell 288 Seminare (mit 1.865 Terminen) zum Thema Objektorientierte Programmierung mit ausführlicher Beschreibung und Buchungsinformationen:- 04.05.2020- 05.05.2020
- Mannheim
- 1.785,00 €
1.606,50 €
Microservices sind ein Architekturstil, der viele Vorteile verspricht, aber auch Herausforderungen mit sich bringt. Die Implementierung kann auf Basis von diversen Java Open Source Frameworks erfolgen, dabei dürfen je Microservice die Programmiersprache, das Kommunikationsprotokoll, die Persistenzlösung und die verwendeten Bibliotheken variieren. Man kann somit für ein konkretes Problem die effektivsten Werkzeuge auswählen. Am Beispiel von Spring Boot, Dropwizard und WildFly Swarm implementieren wir in diesem Seminar verschiedene, voneinander entkoppelte Services, die aber über leichtgewichtige Protokolle miteinander kommunizieren. Dabei betrachten wir typische Aspekte wie zentrale Konfigurationsmöglichkeiten, Service Registrierung/Discovery, Monitoring/Health-Checks und die Widerstandsfähigkeit gegenüber Ausfällen. Am Ende des Seminars hat man einen guten Überblick über die bekanntesten Vertreter und ihre jeweiligen Eigenheiten und Konsequenzen. Zudem konnte man die typischen Elemente einer Microservice-Architektur direkt an konkreten Beispielen ausprobieren.

Schulung Softwaresanierung mit Java
- 06.01.2020- 07.01.2020
- Berlin
- 1.535,10 €
Dieses Seminar richtet sich speziell an Softwareentwickler, die mit Java programmieren. Sie werden im Laufe dieser Schulung optimal daraufvorbereitet, in Ihren bestehenden Projekten langfristig und nachhaltig Ihre Systeme zu verbessern und auf einem hohen Qualitätsniveau zu halten.
Nach diesem Seminar:
- Erkennen Sie schneller mögliche Verbesserungspotentiale in Ihrer Software- Können Sie die Struktur Ihres Codes mit wenig Aufwand testbar machen- Sind Sie in der Lage nicht getesteten Code mit Tests zu versehen- Beherrschen Sie Methoden, um nach der Testsanierung das System sicher zu Refactorn- Sind Sie sensibilisiert für gutes objektorientiertes Design und Architektur

- 02.03.2020- 04.03.2020
- Wiesbaden
- 2.249,10 €

- 06.01.2020
- Hamburg
- 1.059,10 €

Azure Architect Design (MOC AZ-301)
- 13.01.2020- 16.01.2020
- Friedrichshafen
- 2.475,20 €
Bestimmen der Workload Anforderungen
Gestaltung der Identity und Security
Gestalten einer Datenplattform-Lösung
Gestaltung einer Business Continuity Strategy
Gestalten von Deployment, Migration und Integration
Gestaltung einer Infrastruktur Strategie

Azure Architect Design (MOC AZ-301)
- 13.01.2020- 16.01.2020
- Friedrichshafen
- 2.475,20 €
Bestimmen der Workload Anforderungen
Gestaltung der Identity und Security
Gestalten einer Datenplattform-Lösung
Gestaltung einer Business Continuity Strategy
Gestalten von Deployment, Migration und Integration
Gestaltung einer Infrastruktur Strategie

Docker – Grundlagen der Container-Virtualisierung
- 30.03.2020- 01.04.2020
- Nürnberg
- 1.470,00 €

- Termin auf Anfrage
- Augsburg
- auf Anfrage

Fernlehrgang
- 17.02.2020- 10.05.2020
- Ort auf Anfrage
- 3.211,81 €

Supervised & Unsupervised Machine Learning
- 30.01.2020- 31.01.2020
- Berlin
- 1.844,50 €
Machine Learning-Algorithmen in Python mit scikit-learn
Machine Learning-Algorithmen sind ein elementares Element von Künstlicher Intelligenz und somit zu einem Erfolgsfaktor im Zeitalter der Digitalisierung avanciert. Im Bereich Machine Learning (ML) unterscheidet man zwischen überwachtem Lernen (supervised) und unüberwachtem Lernen (unsupervised). Supervised Learning beschreibt die Fähigkeit einer künstlichen Intelligenz, eigenständig Gesetzmäßigkeiten nachzubilden (z.B. durch Erlernen von Parametern in einem Algorithmus). Unsupervised Learning bedeutet hingegen, dass keine Zielwerte bekannt sind und der Algorithmus versucht, bestimmte Muster zu erkennen.
Die Programmiersprache Python ist im Bereich Machine Learning (und auch Deep Learning) weit genutzt und bietet die Bibliothek scikit-learn, in welcher zahlreiche Machine Learning-Algorithmen enthalten sind. Python eignet sich somit optimal für die Umsetzung praxisnaher ML-Vorhaben.
