Grundlagen von Artificial Intelligence und Data Science
- Verständnis der Basisprinzipien in KI und Data-Science-Workflows
- Überwachte und unüberwachte Lernmethoden in Datenprojekten
- Lebenszyklus und Strategien für Data-Science-Projekte in AI-Weiterbildung
- Bedeutung von künstlicher Intelligenz und Data Science in Unternehmensanalytik
Python-Programmierung für Data-Science-Anwendungen
- Einführung in Python-Programmierkonzepte für AI-Projekte
- Praktische Anwendung von Python in KI und Datenwissenschaft
- Verwendung von UNIX-Shell-Scripting für Datenverarbeitung
- Nutzen von Git und GitHub für kollaborative Entwicklung in AI-Weiterbildung
Datenvorbereitung und Analyse in der KI
- Datenextraktion, -bereinigung und -transformation mit Pandas und NumPy
- SQL zum Abfragen von Daten in KI- und Data-Science-Umgebungen
- Darstellung von Datenmodellen für AI-Entscheidungsfindung
- Explorative Datenanalyse-Techniken in AI-Weiterbildung
Maschinelles Lernen für KI-Systeme
- Algorithmen für Regression und Klassifikation in AI
- Optimierung, Regularisierung und Evaluierung von Modellen
- Einsatz von Ensemble-Methoden in Datenwissenschaft und AI
- Überwachte Lernprozesse in AI-Weiterbildungsprogrammen
Fortgeschrittenes Deep Learning und AI-Techniken
- Erstellung neuronaler Netze mit TensorFlow und Keras
- Implementierung von CNNs und Transfer-Learning
- Nutzung von NLP in Datenwissenschaft und künstlicher Intelligenz
- Praktische Weiterbildung in fortgeschrittener AI-Anwendung
Reale KI-Projekte und agile Methoden
- Entwicklung von AI-Projekten mit Agile in datenwissenschaftlichen Kontexten
- Verfassen und Präsentieren von AI-Abschlussprojekten
- Planung und Durchführung von Projekten mit realen Datensätzen
- Praktische Lösungen in Data Science und AI-Weiterbildung