WeiterbildungsangebotMaschinelles Lernen & Deep LearningBis zu 100% förderbarKeine Vorerfahrung

Künstliche Intelligenz - Entwicklung Masterclass

Anbieter: IU Akademie IU Internationale Hochschule

Trustpilot:4,2 von 5 Sternen4,2(214 Bewertungen)
Preis
0,- €
Auf einen Blick
DurchführungOnline
LernformatSelf-Paced
Dauer8 Monate in Vollzeit oder 16 Monate in Teilzeit
UnterrichtsspracheDeutsch
Startalle 14 Tage
InklusiveBerufscoachingNotebook / Tablet (geliehen)
Kursdetails als PDF
Qualität des Bildungsträgers
AZAV-Siegel – AZAV-zertifizierter Bildungsträger, Förderung möglich

AZAV-zertifizierter Träger
Förderung durch die Agentur für Arbeit möglich

Kursbeschreibung

Du bist bereit, in die faszinierende Welt der künstlichen Intelligenz einzutauchen? Mit Deiner Weiterbildung Künstliche Intelligenz - Entwicklung Masterclass werden wertvolle Techniken und Tools zur Routine, die heute in der gesamten Branche entscheidend sind. Du lernst nicht nur die Grundlagen der AI, sondern vertiefst auch fortgeschrittenes Wissen über Maschinelles Lernen, Neuronale Netze und NLP. In den Modulen wie Supervised und Unsupervised Learning sowie Cloud Computing bereitest Du Dich auf die reale Welt der AI-Projekte vor. KI verändert die Art und Weise, wie wir arbeiten und denken. Mit diesem umfassenden Weiterbildungsangebot adressierst Du Schlüsselkompetenzen, die für die Entwicklung einer revolutionären, intelligenten Lösung erforderlich sind. Ob Du Dein Wissen in Computer Vision oder Reinforcement Learning erweiterst, Dein Lernfortschritt ermöglicht Dir, komplexe Herausforderungen im Bereich künstliche Intelligenz zu meistern. Bereit für Deinen Fortschritt? Dann starte jetzt durch und entdecke die Möglichkeiten, die mit der Künstlichen Intelligenz - Entwicklung Masterclass kommen.

Hinweis: Für eine erfolgreiche Teilnahme an der Weiterbildung ist ein grundlegendes Verständnis in Bereichen der mathematischen Analysis, der linearen Algebra und Statistik von Vorteil. Diese Kenntnisse ermöglichen es, die Inhalte der Weiterbildung optimal zu erfassen und aktiv mitzugestalten.

Lehrplan & Module

01

Artificial Intelligence

Das Streben nach Künstlicher Intelligenz (KI) hat die Menschheit über viele Jahrzehnte hinweg in Atem gehalten und ist seit den 60er Jahren ein aktives Forschungsgebiet. Dieser Kurs gibt einen detaillierten Überblick über die historischen Entwicklungen, Erfolge und Rückschläge in der KI sowie über moderne Ansätze in der Entwicklung der Künstlichen Intelligenz wie generative KI. Der Kurs gibt eine Einführung in das Reinforcement Learning, einen Prozess, der der Art und Weise ähnelt, wie Menschen und Tiere die Welt erleben: Erkundung der Umgebung und Ableitung der besten Aktion. Der Kurs behandelt auch die Grundsätze der Verarbeitung natürlicher Sprache und des Computer-Visualisierungsverfahrens, beides Schlüsselkomponenten für eine künstliche Intelligenz, die mit ihrer Umgebung interagieren kann.

Kursinhalte

  • Geschichte der KI
    • Historische Entwicklunge
    • KI-Winter
    • Expertensysteme
    • Bemerkenswerte Fortschritte
  • Moderne KI-Systeme
    • Schwache KI, starke KI und künstliche Superintelligenz
    • Anwendungsbereiche
  • Bestärkendes Lernen
    • Was ist bestärkendes Lernen?
    • Markov-Entscheidungsprozess und Wertfunktionen
    • Temporales Differenzlernen und Q-Learning
  • Natural Language Processing (NLP)
    • Einführung in NLP und Anwendungsbereiche
    • Grundlegende NLP-Techniken
    • Daten vektorisieren
    • Fortschrittliche NLP-Modelle
  • Computer Vision
    • Einführung in Computer Vision
    • Bilddarstellung und -Geometrie
    • Feature Engineering
    • Semantische Segmentierung
    • Techniken zur Bildgenerierung

Fakten zum Modul: Niveau: Bachelor · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Examen, 90 Minuten

02

Maschinelles Lernen - Supervised Learning

Dieser Kurs dient als grundlegende Einführung in das Gebiet des maschinellen Lernens mit dem Schwerpunkt auf Supervised Learning (d.h. Lernen aus gelabelten Daten), wobei die am häufigsten verwendeten Modelle zur Regression und Klassifikation vorgestellt werden. Darüber hinaus bietet der Kurs eine Einführung in die Konzepte der Large-Margin-Classifier und der Baum-basierten Algorithmen des maschinellen Lernens.

Kursinhalte

  • Einführung in das maschinelle Lernen
    • Mustererkennungssysteme
    • Der Entwicklungszyklus für maschinelles Lernen
    • Technische Begriffe
    • Underfitting und Overfitting
  • Regression
    • Lineare Regression
    • Lasso- und Ridge-Regularisierung
    • Generalisierte Lineare Modelle
    • Logistische Regression
  • Grundlegende Klassifizierungsverfahren
    • k-Nearest-Neighbors
    • Naïve Bayes
  • Support-Vektor-Maschinen (SVM)
    • Large-Margin-Klassifizierung
    • Der Kernel-Trick
  • Entscheidungs- und Regressionsbäume
    • Entscheidungs- und Regressionsbäume
    • Random Forest
    • Gradient Boosting

Fakten zum Modul: Niveau: Bachelor · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Klausur, 90 Minuten

03

Maschinelles Lernen - Unsupervised Learning und Feature Engineering

Dieser Kurs befasst sich mit den Werkzeugen und Techniken des Unsupervised Learnings und Feature Engineerings. Unsupervised Learning bezeichnet Ansätze des maschinellen Lernens, die ohne gelabelte Daten angewendet werden können. Das Ziel ist es, Muster oder statistische Regelmäßigkeiten in Daten zu extrahieren, um geeignete Features abzuleiten, was der Schlüssel für die erfolgreiche Anwendung von maschinellen Lernmodellen ist.

Kursinhalte

  • Einführung in Unsupervised Learning und Feature Engineering
    • Unsupervised Machine Learning
    • Feature Engineering
  • Clustering
    • k-Means
    • Gaussian Mixture Model Clustering
    • Hierarchisches Clustering
  • Dimensionsreduktion
    • Hauptkomponentenanalyse (engl. Principal Component Analysis, PCA)
    • Multidimensionale Skalierung
    • Local Linear Embedding
  • Feature Engineering
    • Numerische Features
    • Kategoriale Features
    • Text-Features
  • Feature-Auswahl
    • Feature Importance
    • Feature-Varianz
    • Korrelationsmatrix
    • Rekursive Feature-Auswahl
  • Automatisierte Feature-Generierung
    • Automatisierte Feature-Generierung
    • Feature Engineering versus Deep Learning

Fakten zum Modul: Niveau: Bachelor · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Fallstudie

04

Neuronale Netze und Deep Learning

Neuronale Netze und Deep-Learning-Ansätze haben in den letzten Jahren die Bereiche der Datenwissenschaft und der künstlichen Intelligenz revolutioniert. Anwendungen, die auf diesen Techniken aufbauen, haben in vielen Spezialanwendungen die menschliche Leistung erreicht oder übertroffen. Nach einem kurzen Überblick über die Ursprünge neuronaler Netze und des Deep Learning wird in diesem Kurs ausführlich vermittelt, wie Feed-Forward-Netze aufgebaut und trainiert werden. Neben Feed-Forward-Netzen werden weitere gängige Netzarchitekturen wie Faltungsnetze (Convolutional Neural Networks) und rekurrente neuronale Netze behandelt. Darüber hinaus werden anhand der begleitenden Lehrmittel die Auswirkungen von Designentscheidungen und der Erhebung der benötigten Daten hinsichtlich Fragen der algorithmischen Fairness sowohl im Hinblick auf ihre Auswirkung auf Individuen, als auch ihre gesellschaftliche Dimension diskutiert.

Kursinhalte

  • Einführung in neuronale Netze
    • Struktur des menschlichen Gehirns
    • Bausteine neuronaler Netze
    • Tiefe und flache neuronale Netze
    • Überwachtes Lernen
    • Reinforcement Learning
  • Vorwärtsgerichtete neuronale Netze
    • Grundlegende Netzwerkarchitekturen und Initialisierung der Gewichte
    • Kostenfunktionen
    • Backpropagation und Gradientenabstiegsverfahren
    • Batch-Normalisierung
  • Vermeidung von Übertraining
    • Was ist Übertraining?
    • Early-Stopping
    • L1- und L2-Regularisierung
    • Dropout
    • Pruning
  • Convolutional Neural Networks
    • Entstehungshintergrund und Anwendungsbereiche
    • Convolutional Neural Networks in der Bildverarbeitung
    • Grundlegende CNN-Architektur(en)
    • Beispiele praxisrelevanter CNN-Architekturen
  • Rekurrente neuronale Netze
    • Rekurrente neuronale Netze
    • Gedächtniszellen
    • LSTM-Netzwerke
    • Training rekurrenter neuronaler Netze durch zeitliche Entfaltung

Fakten zum Modul: Niveau: Bachelor · Unterrichtssprache: Deutsch · 5 ECTS-Punkte · Modulprüfung: Fachpräsentation

Enthaltene Zertifikate

TrägerzertifikatZeugnis auf Hochschulniveau

Voraussetzungen

Vorkenntnisse: Keine Vorerfahrung

Zulassungsvoraussetzung: gute Deutschkenntnisse auf B2-Niveau.

Zugangsempfehlung: Fortgeschrittene Mathematik- und Statistikkenntnisse (Analysis, Algebra und Statistik)

Die Weiterbildung ist auf dem inhaltlichen Niveau eines Bachelor Studiengangs. Eine Weiterbildung auf Bachelor-Niveau vermittelt grundlegende Kenntnisse und Fähigkeiten in einem bestimmten Fachbereich.

Technische Voraussetzungen

Laptop mit Internetzugang.

Zielgruppen

  • Arbeitssuchende
  • Fachkräfte

Berufsbilder

  • KI-Entwickler
  • Machine Learning Engineer
  • Data Scientist

Über den Anbieter

IU Akademie IU Internationale Hochschule

IU Akademie IU Internationale Hochschule

Bildungsträger

Alle Kurse →