Künstliche Intelligenz verändert wie wir arbeiten, entscheiden und entwickeln - und sie braucht Menschen, die sie nicht nur verstehen, sondern entwickeln, trainieren und verantwortungsvoll anwenden können. Als AI Engineer sind Sie der kreative und technische Kopf hinter den Systemen, die Unternehmen intelligenter, Prozesse effizienter und Produkte smarter machen.

In diesem Zertifizierungsprogramm erhalten Sie einen Überblick über die Grundlagen von Künstlicher Intelligenz, Neuronaler Netze und Deep Learning und arbeiten mit der Programmiersprache Python. Sie lernen, AI Modelle verantwortungsvoll und nutzenzentriert zu entwickeln, zu trainieren und zu bewerten. Zudem arbeiten Sie mit aktuellen Bibliotheken und verschiedenen Arten von Machine Learning und können diese für eine Vielzahl von Aufgabenstellungen nutzen. Sie planen, implementieren und evaluieren Artificial Intelligence Projekte und berücksichtigen dabei Möglichkeiten, Grenzen und potenzielle Auswirkungen auf ethische Fragestellungen.
Durch internationale Dozent:innen, reale Praxisprojekte und Kleingruppen erlernen Sie konkrete Tools & Methoden, die Sie als Certified Artificial Intelligence Engineer positionieren.


An wen richtet sich dieses Kursprogramm?

Fach- und Führungskräfte, Programmierkenntnisse empfehlenswert, die verwendete Programmiersprache ist Python.
Das Zertifizierungsprogramm schließt mit zwei internationalen Zertifizierungen nach ISO-Standard ab, die international anerkannt sind.


Inhalt der Weiterbildung:
Digital Transformation und New Work
  • Digitale Technologien, Digitale Geschäftsmodelle, Megatrends
  • New Work / New Culture, Arbeitswelt 4.0, New Work Toolset

Digital Ethics und Sustainability
  • Ethische Dimension von Künstlicher Intelligenz, Anwendungsbereiche digitaler Ethik,
  • Ethics & Artificial Intelligence Assessment, Corporate Digital Responsibility und Nachhaltigkeitsziele

KI & Data Science Grundlagen
  • Einführung Data Science, Statistische Grundlagen, Explorative Datenanalyse
  • Data Mining, Data Preprocessing, Data Analytics
  • Datenbanken, Data Warehouse, Datenmanagement
  • Lineare Regressionen, Logistische Regressionen, Gradientenverfahren,
  • Rollen Data Analyst, Data Manager, Data Engineering

Vertiefung Artificial Intelligence
  • Feed-Forward Neural Networks, Convolutional Neural Networks, Recurrent Neural Networks, LSTM, Autoencoder, Generative Adversarial Networks
  • Reinforcement Learning, Data Augmentation, Representation Learning, NLP.

Software Engineering Praxis
  • Agiles Arbeiten mit Git und Jira, Scrum Projektmanagement, Machine Learning
  • Agiles Projektmanagement, Methoden, Framework und Tools

KI Management / KI Manager
  • Methodik zur Auswahl sinnvoller Anwendungsfelder
  • Wirtschaftlichkeit, Skalierbarkeit und Datenverfügbarkeit
  • Quick Wins vs. strukturelle Transformation / Roadmap für KI Projekte
  • Best Practices aus Industrie und Dienstleistung

Die Weiterbildung schließt mit einem Praxisprojekt zu AI Anwendungen / Deep Learning Anwendungen ab (Entwicklung von Neuronalen Netzen bspw. für Sprachverarbeitung, Bilderkennung, Datengenerierung, etc.)