In dieser Weiterbildung vertiefen Sie Ihre Kenntnisse im Bereich des Machine Learning und erlernen den Umgang mit TensorFlow. Sie werden in die Lage versetzt, neuronale Netze zu konzipieren, zu trainieren und zu evaluieren. Ein besonderer Fokus liegt auf dem Prompt Engineering, wodurch Sie lernen, präzise Eingabeaufforderungen für KI-Modelle zu erstellen und deren Ergebnisse zu optimieren. Sie erwerben ein fundiertes Verständnis für die Architektur und Funktionsweise von TensorFlow und entwickeln Fähigkeiten zur Implementierung verschiedener Machine-Learning-Algorithmen. Zudem erarbeiten Sie sich Kompetenzen im Bereich des Prompt Engineering, um die Interaktion mit KI-Systemen gezielt zu steuern. Durch praktische Übungen und Projektarbeiten wenden Sie das erlernte Wissen direkt an und festigen Ihre Fähigkeiten im Machine Learning. Sie arbeiten mit realen Datensätzen und entwickeln eigene Modelle, um die theoretischen Inhalte praxisnah zu vertiefen. Nach Abschluss der Weiterbildung sind Sie in der Lage, Machine-Learning-Modelle mit TensorFlow zu entwickeln und durch effektives Prompt Engineering die Leistung von KI-Systemen zu verbessern.

Moduleinführung: TensorFlow und Keras
  • Kenntnisse im Bereich machine learning bei der Installation und Einrichtung von TensorFlow
  • Grundlegende Verwendung von TensorFlow
  • Anwendungen aus dem machine learning mit Keras
  • Erstellen von Machine-Learning-Modellen mit Keras
  • mit Fokus auf machine learning: Erstellen von FCN- und CNN-Modellen mit Keras
  • Allgemeine Tipps und Tricks zu TensorFlow
  • Lösungsansätze bei Problemen im Kontext von machine learning

Prompt Engineering und ChatGPT
  • Grundlagen und Überblick mit Schwerpunkt auf machine learning im Prompt Engineering
  • Training von ChatGPT: Verbesserung der Leistung durch Feinabstimmung
  • dialogbasierte Nutzung von ChatGPT im Bereich machine learning
  • Nutzung von ChatGPT: Anwendungsmöglichkeiten und Potenziale
  • Anwendungsdesign für ChatGPT mit Fokus auf machine learning
  • Konversationelle Herangehensweise: interaktive Nutzung von ChatGPT in Chatsystemen
  • Steigerung der Antwortqualität durch Kontextverständnis im Kontext von machine learning

Einführung in Machine Learning
  • Einführung in machine learning
  • Arten des Machine Learning
  • Entwicklung eines Systems mit Fokus auf machine learning
  • Datenvorbereitung für machine learning

Modellevaluation und fortgeschrittene Techniken
  • Training und Auswahl eines Vorhersagemodells im Bereich machine learning
  • Bewertung von Modellen
  • Verwendung von Scikit-Learn für Klassifikationen mit Bezug zu machine learning
  • Ensemble Learning (z. B. Bagging und Boosting)