AI+ Engineer Practitioner (EP)

Kurseinführung

Modul 1: Grundlagen der Künstlichen Intelligenz

1.1 Einführung in KI

1.2 Zentrale Konzepte und Techniken der KI

1.3 Ethische Aspekte\nModul 2: Einführung in die KI-Architektur

2.1 Überblick über KI und ihre verschiedenen Anwendungsbereiche

2.2 Einführung in die KI-Architektur

2.3 Verständnis des KI-Entwicklungslebenszyklus

2.4 Praktische Übung: Einrichtung einer grundlegenden KI-Umgebung\nModul 3: Grundlagen neuronaler Netze

3.1 Grundlagen neuronaler Netze

3.2 Aktivierungsfunktionen und ihre Rolle

3.3 Backpropagation und Optimierungsalgorithmen

3.4 Praktische Übung: Aufbau eines einfachen neuronalen Netzes mit einem Deep-Learning-Framework\nModul 4: Anwendungen neuronaler Netze

4.1 Einführung in neuronale Netze für die Bildverarbeitung

4.2 Neuronale Netze für sequenzielle Daten

4.3 Praktische Implementierung neuronaler Netze\nModul 5: Bedeutung von Large Language Models (LLM)

5.1 Einführung in Large Language Models

5.2 Gängige Large Language Models

5.3 Praktisches Fine-Tuning von Sprachmodellen

5.4 Praktische Übung: Fine-Tuning für die Textklassifikation\nModul 6: Anwendung generativer KI

6.1 Einführung in Generative Adversarial Networks (GANs)

6.2 Anwendungen von Variational Autoencoders (VAEs)

6.3 Erzeugung realistischer Daten mithilfe generativer Modelle

6.4 Praktische Übung: Implementierung generativer Modelle für die Bildsynthese\nModul 7: Natural Language Processing (NLP)

7.1 NLP in realen Anwendungsszenarien

7.2 Attention-Mechanismen und praktische Anwendung von Transformern

7.3 Vertieftes Verständnis von BERT für praktische NLP-Aufgaben

7.4 Praktische Übung: Aufbau praktischer NLP-Pipelines mit vortrainierten Modellen\nModul 8: Transfer Learning mit Hugging Face

8.1 Überblick über Transfer Learning in der KI

8.2 Strategien und Techniken des Transfer Learnings

8.3 Praktische Übung: Implementierung von Transfer Learning mit Hugging-Face-Modellen für verschiedene Aufgaben\nModul 9: Entwicklung anspruchsvoller grafischer Benutzeroberflächen für KI-Lösungen

9.1 Überblick über GUI-basierte KI-Anwendungen

9.2 Webbasierte Frameworks

9.3 Frameworks für Desktop-Anwendungen\nModul 10: KI-Kommunikation und Deployment-Pipeline

10.1 Effektive Kommunikation von KI-Ergebnissen an nicht-technische Stakeholder

10.2 Aufbau einer Deployment-Pipeline für KI-Modelle

10.3 Entwicklung von Prototypen auf Grundlage von Kundenanforderungen

10.4 Praktische Übung: Deployment\nOptionales Modul: KI-Agenten im Engineering

• 1. Verständnis von KI-Agenten
• 2. Fallstudien
• 3. Praktische Übungen mit KI-Agenten

- Der Kurs AI+ Data Practitioner oder AI+ Developer Practitioner sollte abgeschlossen worden sein.\n- Grundkenntnisse in der Python-Programmierung sind für praktische Übungen und Projektarbeiten erforderlich.\n- Kenntnisse in Algebra auf Schulniveau sowie grundlegende Statistikkenntnisse werden vorausgesetzt.\n- Ein grundlegendes Verständnis von Programmierkonzepten wie Variablen, Funktionen, Schleifen und Datenstrukturen wie Listen und Dictionaries ist erforderlich.

- KI- & Softwareentwickler: Erweitern Sie Ihre Entwicklungskompetenzen, indem Sie KI-Techniken beherrschen und fortschrittliche KI-Systeme entwickeln.\n- Machine-Learning-Enthusiasten: Wenden Sie Deep Learning, neuronale Netze und Natural Language Processing (NLP) auf reale KI-Herausforderungen an.\n- Datenwissenschaftler: Erweitern Sie Ihr KI-Toolset mit Engineering-Techniken für die Entwicklung und Bereitstellung skalierbarer KI-Lösungen.\n- IT-Spezialisten & Systemarchitekten: Integrieren Sie KI-Lösungen in bestehende Infrastrukturen und optimieren Sie dabei Leistung und Skalierbarkeit.\n- Studierende & Berufseinsteiger: Entwickeln Sie gefragte Kompetenzen im Bereich KI-Engineering und bereiten Sie sich auf eine erfolgreiche Karriere im schnell wachsenden KI-Bereich vor.