Nach Abschluss der Weiterbildung verfügen Sie über fundiertes Wissen in der Programmiersprache Python und deren Anwendung im Bereich der Datenanalyse. Sie sind in der Lage, komplexe Datenmengen mit Hilfe von AI-Tools zu verarbeiten und zu interpretieren. Durch die erworbenen Kenntnisse im Machine Learning und Deep Learning können Sie Algorithmen entwickeln, die datenbasierte Entscheidungsprozesse automatisieren. Zudem verstehen Sie die Anwendung von TensorFlow und Neuronalen Netzen, um effiziente und präzise Analysen durchzuführen. Sie können in den Bereichen Datenanalyse, AI-Entwicklung und Prozessoptimierung tätig werden.

Programmierung und Python-Grundlagen
  • Einführung: Algorithmen und Python-Grundlagen
  • Syntax und Semantik
  • Variablen und Zuweisungen
  • Kontrollstrukturen: if, else, elif
  • Funktionen definieren und aufrufen
  • Module importieren und nutzen

Neuronale Netze und KI
  • Neuronale Netze und KI
  • Moderne künstliche neuronale Netze
  • Backpropagation und verborgene Knoten
  • Aktivierungsfunktionen (z. B. Sigmoid)
  • Herausforderungen und Best Practices beim Training neuronaler Netze
  • Verlustfunktionen und Optimierungsalgorithmen

Bild- und Objektklassifikation
  • Bilder auswerten und Ziffern erkennen (z. B. mit NumPy)
  • Daten klassifizieren: Wie lernt ein Computer Objekte zu erkennen

Prompt Engineering und Techniken
  • Effektive Prompts erstellen
  • Adaptive Prompt-Optimierung
  • Kombination von Prompting-Techniken
  • Interaktive & iterative Prompts
  • Zero-Shot, One-Shot, Few-Shot Learning
  • Chain-of-Thought (CoT) Prompting

Agiles Arbeiten mit Scrum
  • Einführung in Scrum
  • Scrum Master
  • Product Owner
  • Sprint Planning
  • Scrum Artifacts
  • Product Backlog and the Product Goal

Versionsverwaltung und Continuous Integration
  • Versionsverwaltung
  • Continuous Integration und Continuous Delivery
  • Agiles Arbeiten mit Git
  • Operationen der Versionsverwaltung

Software Testing und Qualitätssicherung
  • Software Testing und Qualitätssicherung
  • Continuous Integration und Continuous Delivery

Maschinelles Lernen
  • Einführung in Machine Learning
  • Arten des Machine Learning
  • Datenvorbereitung für Machine Learning
  • Training und Auswahl eines Vorhersagemodells
  • Modellbewertung und Hyperparameter-Tuning
  • Verwendung von Scikit-Learn für Klassifikationen

Deep Learning
  • Grundlagen des Deep Learning
  • Backpropagation: Grundlagen und Anwendung
  • Regularisierung und Vermeidung von Overfitting
  • Convolutional Neural Networks (CNN) und Faltungsschichten
  • Rekurrente neuronale Netze für variable Datenstrukturen
  • Wort-Embeddings: Bedeutung und Anwendung

TensorFlow- und Keras-Integration
  • Installation und Einrichtung von TensorFlow
  • Grundlegende Verwendung von TensorFlow
  • Erstellen von Machine-Learning-Modellen mit Keras
  • Erstellen von FCN- und CNN-Modellen mit Keras
  • Yolo-Modelle in TensorFlow
  • Allgemeine Tipps und Tricks zu TensorFlow

Reinforcement Learning
  • Einführung in Reinforcement Learning
  • Agenten und Umgebungen
  • Belohnungssysteme und Zielsetzung
  • Markov-Entscheidungsprozesse (MDP)
  • Q-Learning und SARSA
  • Policy-Gradient-Methoden

Digitale Automatisierung und KI
  • Einführung in digitale Automatisierung und KI
  • Anwendungsbereiche von KI in der Prozessautomatisierung
  • Datenanalyse zur Identifizierung von Automatisierungspotenzialen
  • Auswahl und Implementierung von KI-Tools
  • Gestaltung und Modellierung automatisierter Prozesse
  • Integration von KI in bestehende IT-Systeme

Neuronale Netze: Grundlagen und Architektur
  • Einführung in neuronale Netze
  • Grundprinzipien und Architektur von neuronalen Netzen
  • Mathematische Grundlagen neuronaler Netze
  • Aktivierungsfunktionen und ihre Bedeutung