Lernorganisation, Zusammenarbeit in Gruppen, Nutzung digitaler Arbeitsumgebungen, Einrichtung und Nutzung von Entwicklungs- und Kollaborationswerkzeugen für digitale Projektarbeit.
Grundlagen Digitalisierung und Prozessdenken:Prozessverständnis und digitale Wertschöpfung, Erfassen und Strukturieren von Abläufen, Identifikation von Automatisierungspotenzialen, Grundlagen von Datenflüssen in Organisationen, Dokumentation und Nachvollziehbarkeit von Änderungen.
Python-Grundlagen für Automatisierung:Programmierlogik, Datentypen, Variablen, Ein- und Ausgabe, Kontrollstrukturen, Standardfunktionen, Arbeiten mit Dateien und Pfaden, Nutzung von Bibliotheken, virtuelle Umgebungen und Paketverwaltung.
Effiziente Automatisierung mit Funktionen und Modulen:Eigene Funktionen entwickeln, Parameter und Rückgabewerte, modulare Programmstruktur, Wiederverwendbarkeit von Code, Fehlerbehandlung (Exceptions), Debugging-Grundlagen, Nutzung von Standardbibliotheken.
Datenmanagement mit SQL und NoSQL:Datenmodelle verstehen, relationale und nicht-relationale Konzepte unterscheiden, CRUD-Operationen durchführen, Abfragen formulieren, Datenbankzugriffe in Python integrieren, Datenhaltung mit objektorientierten Strukturen verbinden, einfache Datenflüsse und Datenpipelines entwickeln.
Objektorientierte Programmierung und Oberflächen für Prozessanwendungen:Klassen und Objekte erstellen, Vererbung und Polymorphie anwenden, strukturierte Anwendungslogik für Prozessschritte umsetzen, grafische Benutzeroberflächen entwickeln, Ereignissteuerung, Mehrfensterkonzepte und Multi-Dokument-Ansätze.
KI-Grundlagen für Prozessautomatisierung (Machine Learning):Zentrale Begriffe und Verfahren, Datenaufbereitung, Feature-Bildung, Arbeiten mit Vektoren, Matrizen und Tabellen, Einsatz typischer ML-Bibliotheken, Statistikgrundlagen (Verteilungen, Kennzahlen, Korrelation), Einführung in Textverarbeitung und NLP.
Data Pipelines, Schnittstellen und Visualisierung:Daten explorieren und visualisieren, Visualisierungen erstellen, ETL-Schritte planen und umsetzen (Extraktion, Transformation, Laden), Daten über Schnittstellen beziehen, REST-APIs nutzen, Grundlagen skalierbarer Datenverarbeitung und Big-Data-Konzepte.
Deep Learning und Modellbetrieb:Aufbau neuronaler Netze, Modellarchitekturen auswählen, Training und Evaluierung, Überanpassung erkennen und Gegenmaßnahmen anwenden, Einordnung verteilter Verarbeitungsprinzipien (z. B. MapReduce), Grundlagen der Bereitstellung von Modellen (Export, Schnittstellenanbindung, Nutzung in Anwendungen).
Abschlussprojekt (Digitalisierung und KI-gestützte Prozessautomatisierung):Projektplanung, Prozessanalyse und Zieldefinition, Datenbeschaffung und -aufbereitung, Entwicklung einer automatisierten Prozesslösung mit KI-Komponente, Integration von OOP-Strukturen und optionaler Benutzeroberfläche, Auswertung, Dokumentation und Präsentation der Ergebnisse, theoretische Abschlussprüfung.