Grundlegende Konzepte, Anwendungen und Potenziale

Das Modul führt in das Feld der KI ein, beleuchtet Anwendungsfelder und Potenziale und zeigt einen Implementierungsprozess auf.

Es richtet sich an Führungskräfte und Professionals, die einen generellen Einblick in das Thema KI und deren Potenzial verschaffen möchten, neu in die Anwendung von Künstlicher Intelligenz einsteigen und nach einem strukturierten Vorgehensmodell für KI-Projekte suchen.

Inhalte:

• Die vier Kategorien der Künstlichen Intelligenz
• Konzepte, Lösungsansätze, Randbedingungen, Einschränkungen sowie Beispielanwendungen
• Empfehlungen für Unternehmen zur Entwicklung und Anwendung in eigenen Projekten und Produkten
• Vorgehensmodelle für die Durchführung von KI-Projekten

Künstliche Intelligenz und Deep Learning verstehen

Im Modul steigen Sie in die Analyse von KI-Verfahren ein und entwickeln ein vertieftes technisches Verständnis für die wichtigsten Konzepte und Algorithmen des Maschinellen Lernens.

Zielgruppe des Moduls sind Entwickler, Techniker und Ingenieure, welche die Algorithmen und Verfahren der Künstlichen Intelligenz in der Anwendung verstehen wollen.

Inhalte:

• Konzepte und Algorithmen jeweils für die Kategorien Planung und Suche, Wissensrepräsentation und Inferenz sowie Modellierung von Unsicherheit
• Maschinelles Lernen:
  • Grundlegende Kategorien und Konzepte
  • Die wichtigsten Algorithmen für überwachtes, unüberwachtes und bestärkendes Lernen
• Maschinelles Lernen mit Neuronalen Netzen und tiefen Neuronalen Netzen:
  • Die wichtigsten Architekturtypen und deren Anwendungen/Einsatzgebiete:
    • Multilayerperzeptron
    • Rekurennte Neuronale Netze, LSTM, Transformer
    • Convolutional Neural Networks (CNNs)
    • Encoder-Decoder-Strukturen
    • Generative Adversariale Netze
  • Lernverfahren

Effiziente Implementierung von Machine Learning Anwendungen in Python

In diesem Modul implementieren Sie anwendungsorientiert Machine-Learning-Anwendungen in Python um.

Das Modul richtet sich an erfahrene Entwickler, die Data Mining-, Textmining- und Webmining- Projekte implementieren und evaluieren möchten.

Inhalte:

• Python und die im Kontext Datamining und Machine Learning wichtigsten Bibliotheken, wie numpy, scipy, scikit-learn, pandas, matplotlib, bokeh usw.
• Programmierung der gesamten Datamining-Prozesskette in Python: Vom Datenzugriff über die Bereinigung, Selektion, Transformation, Modellbildung bis zur Evaluation.
• Programmierung von Beispielanwendungen (Jupyter Notebooks)

Programmierung von Deep Learning Anwendungen in Python

In diesem Modul setzen Sie Deep Learning Anwendungen eigenständig um.

Das Modul richtet sich an erfahrene Entwickler, die Verfahren des Deep Learning effizient selbst programmieren und evaluieren möchten.

Inhalte:

• Grundlagen der für Deep Learning benötigten Python-Pakete tensorflow und keras
• Programmierung der aktuell wichtigsten Deeplearning-Netze anhand von Beispielanwendungen (Jupyter Notebooks)