- Verständnis für Künstliche Intelligenz, KI Engineering und deren Einsatz in aktuellen Unternehmen
- Schlüsselbegriffe und Technologien: Maschinelles Lernen, Data Science, Deep Learning
- Unterscheidung zwischen traditionellen Softwareentwicklungen und KI-basierten Prozessen
- Überblick über den gesamten AI Produktlebenszyklus von der Idee bis zur operativen Überwachung
Python und Software Engineering für Data Science
- Grundlagen von Python für Datenanalysen und Anwendungen der Künstlichen Intelligenz erlernen
- Verwendung der Kommandozeile zur Automatisierung gängiger Datenprozesse
- Versionskontrolle mit Git & GitHub für das AI Engineering Team
- Verwendung objektorientierter Programmierkonzepte zur Codeorganisation
Explorative Datenanalyse und Visualisierungstechniken
- Datenanalyse und -manipulation mit Pandas und SQL
- Nutzbare Visualisierungstechniken mit Seaborn und Matplotlib zur Mustererkennung
- EDA-Projekt: Verarbeitung realer Geschäftsdaten zur Erschließung von Insights
- Datenbereinigung und Feature-Erstellung als Vorbereitung für Maschinelles Lernen
Einführung in Maschinelles Lernen
- Supervised Learning mit Schwerpunkt auf lineare und logistische Regression
- Einführung in Entscheidungsbaum, Random Forest und Support Vector Machines
- Evaluierung von Modellen mit Metriken wie Genauigkeit, Präzision, Recall
- Scikit-Learn zur Modellierung und zur Bewertung der Leistung verwenden
Deep Learning & Prompt Engineering
- Einführung in künstliche neuronale Netzwerke und CNNs
- Grundverständnis für NLP und Zeitreihenanalyse
- Clustering und Dimensionsreduktion mit PCA und t-SNE
- Einführung in generative Künstliche Intelligenz und Prompt Engineering
Statistische Grundlagen für KI-Anwendungen
- Grundlagen der deskriptiven Statistik und explorativen Analyse
- Statistische Tests und Wahrscheinlichkeitsverteilungen in AI-Modellen
- Bedeutung der Statistik bei Datenvalidierung und Modelloptimierung
- Einbettung statistischer Methoden in Data Science Prozesse
Vertiefende Techniken: Recommender Systems und Clustering
- Clustering-Methoden wie K-Means, DBSCAN und hierarchisches Clustering
- Erstellung von Empfehlungssystemen mit Cosine Similarity und Matrixfaktorisierung
- Optional: Einsatz von NLP-Methoden für intelligente Systeme
- Unsupervised Learning in AI Engineering Projekte integrieren
Praktische Anwendung: Produktionsreife KI-Modelle
- Datenpipelines effizient mit Prefect aufbauen
- Maschinelles Lernen-Modelle mit Docker containerisieren
- Grundlagen von CI/CD für die kontinuierliche Bereitstellung
- Langfristige Stabilität durch Monitoring & Retraining der ML-Modelle sicherstellen
Capstone Projekt: Praxisprojekt im KI Engineering
- Umsetzung eines umfassenden AI-Projekts von der Datengewinnung bis zur Verteilung
- Teamarbeit zur Erstellung produktionsfähiger KI-Lösungen
- Nutzung von Data Science, Maschinellem Lernen und KI Engineering in Echtprojekten
- Kommunikation und Präsentation von Projektergebnissen an Stakeholder