Teilnehmende erlernen praxisorientierte Methoden zur Entwicklung, Bewertung und Optimierung von KI-Systemen in wirtschaftlichen und wissenschaftlichen Kontexten, wobei systematische Analyseprozesse, strukturierte Datenaufbereitung und leistungsfähige Modellierungsstrategien im Fokus stehen.
Statistische Modellgüte und Datenanalyse- Ein zentraler Fokus liegt auf statistischen Analysen zur Verbesserung der Modellgüte.
- Die Teilnehmenden führen explorative Datenanalysen durch und erkennen Muster in großen Datensätzen.
- Statistische Verfahren werden gezielt zur Bewertung und Feinabstimmung von KI-Modellen angewendet.
Datenmanagement und Visualisierung
- SQL wird eingesetzt, um umfangreiche Unternehmens- und Forschungsdaten effizient zu verarbeiten.
- Mit optimierten Abfragen, Joins und Aggregationen lassen sich strukturierte Trainingsdaten bereitstellen, die als Grundlage für maschinelles Lernen und präzise Prognosen dienen.
- Power BI unterstützt die übersichtliche Darstellung komplexer Analyseergebnisse.
- Interaktive Dashboards und DAX-Funktionen machen Modellmetriken, Vorhersagewerte und Bewertungskennzahlen transparent und ermöglichen fundierte Entscheidungen in datenbasierten KI-Anwendungen.
Automatisierung und Skalierbarkeit
- Datenpipelines automatisieren die Datenverarbeitung und tragen zur Skalierbarkeit von KI-Prozessen bei.
- Strukturierte Workflows zur Harmonisierung und Transformation von Daten sorgen für stabile Trainingsgrundlagen und konsistente Modellanwendungen in der Künstlichen Intelligenz.
Neuronale Netzwerke und Anpassung
- Die Teilnehmenden wenden moderne Verfahren aus dem Bereich der neuronalen Netzwerke an.
- Trainiert werden unter anderem Convolutional und Recurrent Neural Networks.
- Darüber hinaus kommen Transfer Learning und Hyperparameter-Tuning zum Einsatz, um KI-Modelle effektiv an unternehmens- und forschungsspezifische Anforderungen anzupassen.