- Überblick über Künstliche Intelligenz, Data Science, Machine Learning und Automatisierung
- Erforschen zentraler Ideen wie Intelligente Systeme, Entscheidungsprozesse und Datenmodelle
- Technische Einführung in Künstliche Intelligenz mit Python, Git, UNIX und GitHub
- Verständnis für Rollen und Anwendungen von Künstlicher Intelligenz in Wirtschaft und Forschung
Methoden des Machine Learning in der KI
- Supervised Learning: Klassifikation, Regression, Modelltraining für Künstliche Intelligenz
- Unsupervised Learning: Clustering, Anomalieerkennung und Mustererkennung
- Feature Engineering, Modellbewertung und Optimierung
- Integration von AI in datengetriebene Geschäftsprozesse
Tiefes Lernen & neuronale Netze
- Grundlagen neuronaler Netzwerke mit TensorFlow und Keras
- Anwendungen von CNNs und RNNs: Bilderkennung, Sprach- und Sequenzanalyse
- Transfer Learning mit vortrainierten Modellen in der Künstlichen Intelligenz
- Erweiterbares Training von Deep Learning Modellen mit GPU-Unterstützung
Moderne KI-Methoden & NLP
- Verarbeitung von Texten mit LLMs, Embeddings und Transformer-Modellen
- Textanalyse, Klassifikation und Entitätserkennung mit Künstlicher Intelligenz
- Verständnis multimodaler Daten: Text, Bild, Audio & Zeitreihen
- Ethische Aspekte und verantwortungsvolle Nutzung der Künstlichen Intelligenz
AI-Projekt: Vom Konzept zum Prototyp
- End-to-End-Entwicklung mit realen Daten und Künstlicher Intelligenz
- Agile Methoden für Planung, Testen und Präsentation
- Definition von Business Impact und Use Cases im Projektkontext
- Demonstration des Prototyps: Nutzen durch AI aufzeigen