- Überblick über die Rolle von AI Engineering in modernen Anwendungen
- Grundverständnis von Künstliche Intelligenz (KI) und Machine Learning
- Unterschiede zwischen AI, KI, Data Science und klassischen Softwaretechniken
- Beispiele für den Einsatz von AI Engineering in der Industrie
Programmieren für Data Science und KI
- Grundlagen der Python Programmierung: Variablen, Funktionen, Fehlerbehandlung
- Nutzung von Git und GitHub zur Versionskontrolle in KI-Projekten
- Einführung in Unix und Kommandozeile zur Automatisierung von Datenprozessen
- Optional: Objektorientierte Programmierung zur Strukturierung von KI-Code
Explorative Datenanalyse (EDA) für KI-Anwendungen
- Arbeiten mit Pandas zur Datenmanipulation und Vorbereitung für KI-Modelle
- Visualisierung von Daten mit Matplotlib und Seaborn zur Mustererkennung
- Datenbankabfragen mit SQL für strukturierte Datenquellen
- Mini-Projekt zur Analyse realer Datensätze im Kontext von Künstliche Intelligenz (KI)
Maschinelles Lernen Grundlagen
- Supervised Learning: Lineare und logistische Regression, Entscheidungsbäume
- Modellbewertung: Accuracy, Precision, Recall, F1-Score und Bias-Variance-Trade-off
- Ensemble-Methoden wie Random Forest und Gradient Boosting
- Praxisorientierte Übungen mit Scikit-Learn für KI-Modelle
Statistische Grundlagen für KI
- Wahrscheinlichkeitsrechnung und Verteilungen in Data Science
- Hypothesentests und Konfidenzintervalle für AI-Entscheidungen
- Deskriptive Statistik und explorative Datenanalytik
- Grundlagen für die Bewertung und Validierung von KI-Modellen
Unüberwachtes Lernen und Dimensionsreduktion
- Clustering-Methoden wie K-Means, DBSCAN und hierarchische Verfahren
- Techniken zur Dimensionsreduktion: PCA und t-SNE für visuelle Darstellung
- Einführung in Recommender-Systeme mit Cosine Similarity
- Anwendungsfälle aus der Künstliche Intelligenz Praxis
Einführung in Deep Learning und neuronale Netze
- Grundlagen künstlicher neuronaler Netze und Backpropagation
- Convolutional Neural Networks (CNN) für Bildklassifikation
- Einblick in NLP (Natural Language Processing) und Zeitreihenanalyse
- Prompt Engineering und Generative AI als neue Trends in KI
Dieser Kurs befasst sich intensiv mit KI Grundlagen und KI Konzepte, einschließlich maschinellem Lernen, explorativer Datenanalyse und neuronalen Netzen.