AI Engineering und Deep Learning - Grundlagen
  • Was bedeutet Deep Learning im Kontext der Künstlichen Intelligenz (KI)?
  • Rolle des AI Engineerings beim Aufbau neuronaler Netze
  • Typische Einsatzgebiete: Computer Vision, NLP und Data Science Anwendungen
  • Von einfachen Modellen bis hin zu komplexen KI-Anwendungen

Neuronale Netze verstehen und anwenden
  • Architektur & Aufbau künstlicher neuronaler Netze (ANN)
  • Wie funktioniert Training mittels Backpropagation und Gradient Descent?
  • Aktivierungsfunktionen (Sigmoid, ReLU, Softmax) praxisnah erklärt
  • Grundlagen des Modeltrainings: Overfitting vermeiden und Generalisierung verbessern

Deep Learning mit Python und Keras/TensorFlow
  • Einführung in Keras/TensorFlow - Python-basierte Frameworks für Deep Learning
  • Erstellen und Training eigener Deep Learning Modelle
  • Praktische Optimierung: Hyperparameter Tuning und Model Evaluation
  • Arbeiten mit Jupyter Notebooks für interaktive AI Engineering Workflows

Bildverarbeitung mit Convolutional Neural Networks (CNNs)
  • Funktionsweise von CNNs: Filter, Convolution, Pooling & Fully Connected Layer
  • Bildklassifikation und Objekterkennung mit neuronalen Netzen
  • Techniken des Transfer Learnings für verbesserte Performance
  • Praktisches Beispielprojekt: KI-basierte Klassifizierung realer Bilddaten

Deep Learning für Sprache und NLP
  • Einführung in Natural Language Processing mit neuronalen Netzen
  • Grundlagen von RNNs und Long Short-Term Memory (LSTM) Netzwerken
  • Word Embeddings und Transformer-Modelle einfach erklärt
  • Prompt Engineering für Generative AI: ChatGPT & ähnliche KI-Modelle

Generative AI und kreative KI-Modelle
  • GANs (Generative Adversarial Networks): Funktionsweise und Anwendungen
  • Variational Autoencoder für Dimensionsreduktion und Datenrekonstruktion
  • Einsatz generativer Modelle zur Text- und Bildgenerierung
  • Anwendungsbeispiele aus dem kreativen und industriellen Kontext

Deep Learning Modelle produktiv bereitstellen (AI Engineering & MLOps)
  • Docker Container für Deployment neuronaler Netze
  • CI/CD Pipelines zur Automatisierung des Deployments
  • Modellüberwachung: Erkennen und Umgang mit Performance Drift
  • Praktische Umsetzung eines Deep Learning Modells als API

Praxisprojekt: Deep Learning End-to-End
  • Entwicklung eines kompletten Deep Learning Modells im Team
  • Von Datenerhebung über Training bis Deployment und Monitoring
  • Präsentation von Ergebnissen vor Stakeholdern aus einem Business-Kontext
  • Simulation realistischer AI Engineering Arbeitsabläufe im Projekt

Deep Learning umfasst die Optimierung und Implementierung von neuronalen Netzen durch Techniken wie Backpropagation, Transfer Learning und Hyperparameter Tuning.