- Einführung in Künstliche Intelligenz, Data Science, Machine Learning und Automatisierung
- Verständnis zentraler Konzepte wie Intelligente Systeme, Entscheidungsprozesse und Datenmodelle
- Technischer Einstieg in Künstliche Intelligenz mit Python, Git, UNIX und GitHub
- Rollenbilder und Anwendungsfelder von Künstlicher Intelligenz in Wirtschaft und Forschung
Machine Learning Methoden in der KI
- Supervised Learning: Klassifikation, Regression, Modelltraining für Künstliche Intelligenz
- Unsupervised Learning: Clustering, Anomalieerkennung und Musterentdeckung
- Feature Engineering, Modellbewertung und Optimierung
- AI-Integration in datengetriebene Geschäftsprozesse
Deep Learning & neuronale Netze
- Einführung in neuronale Netzwerke mit TensorFlow und Keras
- CNNs und RNNs: Bilderkennung, Sprache und Sequenzverarbeitung
- Transfer Learning mit Pre-trained Models in der Künstlichen Intelligenz
- Skalierbares Training von Deep-Learning-Modellen mit GPU-Unterstützung
NLP & moderne KI-Methoden
- Textverarbeitung mit LLMs, Embeddings und Transformer-Modellen
- Sentimentanalyse, Textklassifikation und Entity Recognition mit Künstlicher Intelligenz
- Multimodale Daten: Text, Bild, Audio & Zeitreihen verstehen
- Ethische Aspekte und verantwortungsvoller Umgang mit Künstlicher Intelligenz
KI-Projekt: Von der Idee zum AI-Prototyp
- End-to-End-Projektumsetzung mit realen Daten und Künstlicher Intelligenz
- Agile Methoden für Planung, Testung und Präsentation
- Business Impact und Use Case Definition im Projektkontext
- Abschlussdemo: Prototypen mit messbarem Mehrwert durch AI
Der Kurs bietet praxisnahe Einblicke in Künstliche Intelligenz und ihre Anwendungen, einschließlich Machine Learning, Deep Learning und natürlicher Sprachverarbeitung.