Die praktische Umsetzung von Künstlicher Intelligenz erfordert fundierte Kenntnisse in Datenverarbeitung, Modellierung und Analyse. Im Kurs lernen Teilnehmende, wie KI-Modelle systematisch entwickelt, bewertet und in reale Anwendungen überführt werden.
Datenmanagement und Analysewerkzeuge- Ein zentrales Thema ist der Aufbau automatisierter Datenpipelines. Teilnehmende konzipieren strukturierte Workflows zur Harmonisierung und Transformation großer Datenmengen, um skalierbare und robuste Prozesse in Künstlicher Intelligenz zu ermöglichen.
- SQL wird gezielt zur Aufbereitung von Trainingsdaten eingesetzt. Durch optimierte Abfragen, Joins und Aggregationen lassen sich relevante Informationen extrahieren, die als strukturierte Eingabe für neuronale Netzwerke und maschinelle Lernmodelle dienen.
- Power BI unterstützt die Visualisierung von Analyseergebnissen und Modellmetriken. Interaktive Dashboards und DAX-Funktionen bieten eine verständliche Darstellung von Vorhersagewerten und bewertungsrelevanten Kennzahlen, die datengetriebene Entscheidungen im Rahmen von Künstlicher Intelligenz absichern.
Modellentwicklung und Training
- Explorative Datenanalyse liefert wichtige Erkenntnisse für die gezielte Modellanpassung. Mit statistischen Methoden und Feature Engineering-Techniken werden bedeutende Merkmale identifiziert, Trainingsdaten optimiert und die Qualität der Modelle verbessert.
- Im praktischen Teil des Kurses trainieren die Teilnehmenden verschiedene neuronale Netzwerke, darunter Convolutional und Recurrent Neural Networks. Sie setzen Transfer Learning sowie Hyperparameter-Tuning ein, um leistungsfähige, anwendungsbezogene KI-Modelle zu entwickeln und, um diese in reale Szenarien zu überführen.