- Überblick über die Bedeutung von KI Engineering in modernen Technologien
- Grundlagen von Künstlicher Intelligenz und Maschinellem Lernen
- Abgrenzung zwischen AI, Künstlicher Intelligenz, Data Science und herkömmlichen Softwaretechniken
- Praxisbeispiele für den industriellen Einsatz von KI Engineering
Programmieren für Machine Learning und Data Science
- Einführung in die Grundlagen der Python-Programmierung: Variablen, Funktionen, Fehlerhandling
- Nutzung von Git und GitHub zur Versionsverwaltung in KI-Projekten
- Basiswissen zu Unix und Kommandozeile zur Automatisierung von Datenprozessen
- Optional: Objektorientierte Programmierung zur Gestaltung von KI-Code
Explorative Datenanalyse für Künstliche Intelligenz
- Arbeiten mit Pandas zur Datenmanipulation für KI-Modelle
- Visualisierung von Datenmustern mit Matplotlib und Seaborn
- Verwendung von SQL für strukturierte Datenbankabfragen
- Mini-Projekt zur Analyse realer Daten im Rahmen von Künstlicher Intelligenz
Einführung in das Maschinelle Lernen
- Supervised Learning: Lineare und logistische Regression, Entscheidungsbaum-Techniken
- Modellevaluierung: Genauigkeit, Präzision, Recall, F1-Score und Bias-Variance-Ausgleich
- Einsatz von Ensemble-Methoden wie Random Forest und Gradient Boosting
- Praxiserfahrungen mit Scikit-Learn zur Entwicklung von KI-Modellen
Statistische Grundlagen für Künstliche Intelligenz
- Grundlagen der Wahrscheinlichkeitsrechnung und Verteilungen in Data Science
- Hypothesentests und Konfidenzintervalle für KI-Entscheidungen
- Deskriptive Statistik und explorative Datenanalyse
- Wirksame Methoden zur Bewertung und Validierung von KI-Modellen
Unüberwachtes Maschinelles Lernen und Dimensionsreduktion
- Clustering-Algorithmen wie K-Means, DBSCAN und hierarchische Verfahren
- Techniken der Dimensionsreduktion: PCA und t-SNE für visuelle Darstellung
- Grundlagen zu Empfehlungssystemen mit Cosine Similarity
- Praktische Anwendungen aus der Künstliche Intelligenz-Sphäre
Einführung in Deep Learning und neuronale Netzwerke
- Fundamente künstlicher neuronaler Netzwerke und Rückpropagation
- Convolutional Neural Networks (CNN) für Bildklassifizierung
- Einblick in Natural Language Processing (NLP) und Zeitreihenanalyse
- Erkundung von Prompt Engineering und Generativer AI als Trends in KI