- Überblick über Künstliche Intelligenz, AI und deren Anwendung in Data Science
- Verstehen der Architektur aktueller Künstlicher Intelligenz Modelle
- Technische Werkzeuge: Python, Git, UNIX, GitHub und GPU für AI
- AI-Frameworks: Einführung in TensorFlow, Keras, PyTorch
Konstruktion und Schulung neuronaler Netze
- Erstellung von Deep-Learning-Strukturen: CNNs, RNNs, Transformer
- Optimierung: Hyperparameter-Tuning, Aktivierungsfunktionen, Regularisierung
- Beschleunigtes Training mittels GPU für große AI-Modelle
- Nutzung von AI für umfangreiche Data Science Herausforderungen
Transferlernen & vortrainierte Modelle
- Verwendung vortrainierter Künstliche Intelligenz Modelle für neuartige Aufgaben
- Anpassung auf spezielle Data-Sets durch Fine-Tuning
- Zero-shot & Few-shot Learning verstehen und implementieren
- Effizienzsteigerung kleiner Datensätze durch Modelloptimierung
KI für NLP und multimodale Anwendungen
- NLP-Basics: Klassifikation von Texten, Sentimentanalyse, Entity Recognition
- Nutzung großer Sprachmodelle in der AI
- Multimodale Ansätze: Integration von Text, Bild, Audio und Zeitreihen
- Anwendung Künstlicher Intelligenz in realen Business-Szenarien
AI-Projektentwicklung: Vom Konzept zum Modell
- Umsetzung eines vollständigen Künstliche Intelligenz Projekts
- Agile Methoden mit Git, CI/CD, und automatisierten Prozessen
- Bewertung, Dokumentation und Vorstellung eines AI-Ergebnisses
- Hervorhebung von Daten, Architektur und geschäftlichem Nutzen durch AI