- Einführung in AI, Artificial Intelligence, Künstliche Intelligenz und Data Science
- Architektur und Struktur moderner Künstlicher Intelligenz Modelle
- Technisches Setup: Python, Git, UNIX, GitHub & GPU-Umgebungen
- Überblick über AI-Frameworks: TensorFlow, Keras, PyTorch im Künstliche Intelligenz Umfeld
Modellierung & Training neuronaler Netzwerke
- Aufbau von Deep-Learning-Modellen: CNNs, RNNs, Transformer
- Hyperparameter-Tuning, Aktivierungsfunktionen, Regularisierung
- Training großer Modelle mit GPU-Beschleunigung
- Nutzung von Künstlicher Intelligenz zur Lösung skalierbarer Data Science Aufgaben
Transfer Learning & Pretrained AI
- Einsatz vortrainierter Künstliche Intelligenz Modelle für neue Szenarien
- Fine-Tuning auf spezifische Datensätze
- Zero-shot & Few-shot Learning verstehen und anwenden
- Modelloptimierung bei kleinen Trainingsmengen
NLP & multimodale AI-Systeme
- NLP-Grundlagen: Textklassifikation, Sentimentanalyse, Entity Recognition
- Einsatz großer Sprachmodelle (LLMs) in der Künstlichen Intelligenz
- Multimodale Systeme: Text, Bild, Audio und Zeitreihen kombinieren
- Reale Use Cases der Künstlichen Intelligenz im Business-Kontext
AI-Projekt: Eigene Modellentwicklung
- End-to-End-Projekt: Entwicklung eines Künstliche Intelligenz Modells
- Agile Umsetzung mit Git, CI/CD und automatisierten Pipelines
- Evaluierung, Dokumentation & Präsentation eines AI-Produkts
- Fokus auf Data, Architektur und Business Value durch Künstliche Intelligenz
Die Entwicklung von Künstliche Intelligenz Modellen umfasst Techniken wie Hyperparameter-Tuning und den Einsatz von vortrainierten Künstliche Intelligenz Modellen.