Am Ende des Seminars verfügen die Teilnehmenden über ein grundlegendes Verständnis von Künstlicher Intelligenz und Maschinellem Lernen. Sie können einfache ML-Modelle erstellen, trainieren und in Anwendungen integrieren, um intelligente Lösungen zu entwickeln. Zudem lernen sie die wichtigsten Konzepte und Best Practices kennen, um fundierte Entscheidungen bei der Entwicklung von KI-basierten Anwendungen zu treffen.
Einführung in Künstliche Intelligenz und Maschinelles Lernen
Was ist Künstliche Intelligenz (KI)? Grundlagen und Bedeutung von KI in der modernen Technologie.
Was ist Maschinelles Lernen (ML)? Unterschiede und Zusammenhänge zwischen KI und ML.
Anwendungsbereiche: Überblick über verschiedene Einsatzmöglichkeiten von KI und ML in intelligenten Anwendungen.
Grundlagen der Datenverarbeitung
Datenquellen und Datenerfassung: Identifikation und Sammlung relevanter Daten für ML-Modelle.
Datenvorbereitung und -bereinigung: Methoden zur Bereinigung und Vorbereitung von Daten für die Analyse.
Datenexploration und -visualisierung: Techniken zur Untersuchung und Darstellung von Datensätzen.
Praxisübung 1: Datenvorbereitung
Ziel der Übung: Praktische Anwendung von Datenbereinigungs- und Vorbereitungsprozessen.
Projektbeschreibung: Bereinigung eines Rohdatensatzes und Vorbereitung für die Modellierung.
Tools: Python mit Pandas und Jupyter Notebook.
Ergebnisse: Ein sauberer und gut strukturierter Datensatz, bereit für die Analyse.
Grundlagen des Maschinellen Lernens
Überwachtes vs. unüberwachtes Lernen: Einführung in die verschiedenen Lernparadigmen.
Wichtige Algorithmen: Überblick über gängige ML-Algorithmen wie Lineare Regression, Entscheidungsbäume und Clustering.
Modellbewertung und -validierung: Methoden zur Bewertung der Leistung von ML-Modellen.
Praxisübung 2: Erstellung eines einfachen ML-Modells
Ziel der Übung: Entwicklung und Training eines grundlegenden ML-Modells.
Projektbeschreibung: Erstellung eines Modells zur Vorhersage von Hauspreisen basierend auf einem Datensatz.
Tools: Python mit Scikit-Learn.
Ergebnisse: Ein trainiertes ML-Modell zur Vorhersage von Hauspreisen.
Einführung in Deep Learning
Was ist Deep Learning? Grundlagen und Unterschiede zu traditionellen ML-Methoden.
Neuronale Netze: Aufbau und Funktionsweise von künstlichen neuronalen Netzen.
Anwendungsbeispiele: Einsatz von Deep Learning in Bereichen wie Bild- und Spracherkennung.
Praxisübung 3: Aufbau eines einfachen neuronalen Netzes
Ziel der Übung: Entwicklung eines einfachen neuronalen Netzes zur Klassifikation von Bildern.
Projektbeschreibung: Erstellung und Training eines Modells zur Erkennung von handgeschriebenen Ziffern.
Tools: Python mit TensorFlow/Keras.
Ergebnisse: Ein funktionierendes neuronales Netz zur Bildklassifikation.
Deployment von Intelligent Applications
Modellbereitstellung: Methoden zur Integration von ML-Modellen in Anwendungen.
APIs und Microservices: Nutzung von APIs zur Bereitstellung von ML-Modellen.
Skalierbarkeit und Wartung: Strategien zur Skalierung und Pflege von intelligenten Anwendungen.
Best Practices und ethische Überlegungen
Ethik in der KI: Diskussion über ethische Aspekte und Verantwortlichkeiten.
Bias und Fairness: Methoden zur Erkennung und Minimierung von Verzerrungen in ML-Modellen.
Datenschutz: Sicherstellung des Schutzes sensibler Daten bei der Entwicklung von KI-Anwendungen.
Zukunft der Intelligent Applications
Neue Trends und Technologien: Überblick über kommende Entwicklungen im Bereich KI und ML.
Integration mit anderen Technologien: Nutzung von KI in Kombination mit IoT, Blockchain und anderen innovativen Technologien.
Community und Weiterentwicklung: Beteiligung an der KI-Community und kontinuierliches Lernen.
Dauer/zeitlicher Ablauf:
3 Tage
Zielgruppe:
Dieses Seminar richtet sich an Einsteiger, die ihre ersten Schritte im Bereich Künstliche Intelligenz und Maschinelles Lernen machen möchten. Ideal für Softwareentwickler, Datenanalysten, IT-Fachkräfte, Studenten und alle, die Interesse an der Entwicklung intelligenter Anwendungen haben. Grundkenntnisse in Programmierung (vorzugsweise Python) sind von Vorteil, aber nicht zwingend erforderlich.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
