In dieser Weiterbildung erwerben Sie fundierte Kenntnisse im Bereich des maschinellen Lernens. Sie lernen, verschiedene Algorithmen des maschinellen Lernens zu verstehen und anzuwenden, Daten zu analysieren und Modelle zu trainieren. Ein besonderer Fokus liegt auf der Anwendung von maschinellem Lernen im Kontext von Data Science und der Entwicklung von Fähigkeiten im Prompt Engineering. Sie werden in die Lage versetzt, komplexe Datenstrukturen zu verarbeiten und durch maschinelles Lernen Muster zu erkennen. Zudem erlernen Sie, wie durch gezieltes Prompt Engineering die Interaktion mit KI-Systemen optimiert werden kann. Praktische Übungen und Fallstudien ermöglichen es Ihnen, das erlernte Wissen im Bereich des maschinellen Lernens anzuwenden und zu vertiefen. Nach Abschluss der Weiterbildung sind Sie in der Lage, maschinelles Lernen effektiv in verschiedenen beruflichen Kontexten einzusetzen und KI-gestützte Lösungen zu entwickeln.

Grundlagen des Machine Learning
  • Kenntnisse im Bereich maschinelles Lernen erwerben
  • Arten des Machine Learning
  • Grundlagen zu unsupervised maschinelles Lernen kennenlernen
  • Training und Auswahl eines Vorhersagemodells
  • Anwendungen aus dem maschinellen Lernen erläutern
  • Datenvorbereitung für maschinelles Lernen

Datenmanagement und Analyse
  • Einführung in Pandas und Dataframes mit Fokus auf maschinelles Lernen
  • Datenreinigung
  • Strategien der Datenvisualisierung für maschinelles Lernen
  • Grundlegende statistische Kenngrößen
  • Bewertung von Modellen aus dem maschinellen Lernen
  • Verwendung von Scikit-Learn für Klassifikationen mit Bezug zu maschinellem Lernen

Erweiterte Techniken im Machine Learning
  • Modellbewertung und Hyperparameter-Tuning im Kontext von maschinellem Lernen
  • Ensemble Learning (z. B. Bagging und Boosting)
  • K-fache Kreuzvalidierung im Bereich maschinelles Lernen
  • Einführung in Prompt Engineering: Grundlagen und Überblick

Nutzung von ChatGPT und Prompt Engineering
  • Nutzung von maschinellem Lernen am Beispiel ChatGPT: das Sprachmodell von OpenAI
  • Training von ChatGPT: Verbesserung der Leistung durch Feinabstimmung
  • Interaktive Konversation unter Berücksichtigung von maschinellem Lernen
  • Kontextsensitivität in ChatGPT: Verbesserung der Antworten durch Kontextverständnis
  • Anwendungsmöglichkeiten von ChatGPT mit Fokus auf maschinelles Lernen