Kontakt aufnehmen

Schulungsübersicht

1. Einführung in die KI-Entwicklung

  • Was ist KI-Entwicklung?
  • KI vs. maschinelles Lernen vs. tiefes Lernen
  • Der Lebenszyklus der KI-Entwicklung
  • Anwendungsbereiche der KI in verschiedenen Branchen
  • Aufgaben und Verantwortlichkeiten eines KI-Entwicklers

2. Grundlagen der künstlichen Intelligenz

  • Wesentliche Begriffe und Konzepte der KI
  • Überwachtes, unüberwachtes sowie verstärkendes Lernen
  • Neuronale Netze und Grundlagen des tiefen Lernens
  • Ein Überblick über generative KI und Basismodelle
  • Ökosysteme sowie Frameworks für die KI-Entwicklung

3. Python in der KI-Entwicklung

  • Wichtige Python-Bibliotheken für die KI-Arbeit
  • NumPy, Pandas und Matplotlib
  • Datenmanipulation und -visualisierung
  • Arbeiten mit Jupyter Notebooks
  • Erstellung wiederverwendbaren KI-Codes

4. Datenvorbereitung für die KI

  • Sammeln und Verständnis von Datensätzen
  • Datenbereinigung und -vorverarbeitung
  • Merkmalsextraktion und -gestaltung
  • Skalierung und Normalisierung der Merkmale
  • Aufteilung der Daten in Trainings-, Validierungs- und Testdatensätze
  • Umgang mit fehlenden Werten sowie Ausreißern

5. Grundlagen des maschinellen Lernens

  • Regressionsalgorithmen
  • Klassifizierungsalgorithmen
  • Clustering-Verfahren
  • Ablauf des Modelltrainings
  • Evaluationskriterien für Modelle
  • Vermeidung von Über- und Unteranpassung

6. Erstellung von KI-Modellen mit TensorFlow und PyTorch

  • Einführung in TensorFlow
  • Einführung in PyTorch
  • Erstellung neuronaler Netze
  • Training sowie Validierung von Modellen
  • Speichern und Laden von Modellen
  • Vergleich der beiden Frameworks

7. Grundlagen der Verarbeitung natürlicher Sprache

  • Textvorverarbeitung
  • Wortrepräsentationen mittels Embeddings
  • Textklassifikation
  • Sentimentanalyse
  • Einführung in Transformermodelle
  • Praktische Anwendungen der NLP-Technologie

8. KI im Softwareentwicklungsprozess

  • Integration von KI in bestehende Anwendungen
  • Aufrufen von KI-Diensten via APIs
  • Entwicklung KI-gestützter Softwareanwendungen
  • KI-unterstützende Entwicklungswerkzeuge
  • Tests von KI-basierten Anwendungen

9. Bewährte Praktiken in der KI-Entwicklung

  • Projektorganisation
  • Versionsverwaltung mit Git
  • Nachverfolgung von Experimenten
  • Modellversionsverwaltung
  • Dokumentationsstandards
  • Reproduzierbarkeit in KI-Projekten

10. Bereitstellung von KI-Modellen

  • Serialisierung von Modellen
  • Aufbau von Inferenzdiensten
  • REST-APIs für KI-Modelle
  • Einführung in Docker zur Bereitstellung von KI-Systemen
  • Überwachung eingesetzter Modelle
  • Wartung und Aktualisierung der Modelle

11. Datenarbeit in der KI-Entwicklung

  • Datenpipelines
  • ETL-Prozesse
  • Verwaltung strukturierter und unstrukturierter Daten
  • Möglichkeiten der Datenspeicherung
  • Sicherstellung der Datenqualität
  • Bereitstellung produktionsfähiger Datensätze

12. Verantwortungsvolle und ethische KI-Nutzung

  • Vermeidung von Bias und Gewährleistung von Fairness in der KI
  • Erklärungsfähige KI (XAI)
  • Datenschutz und -sicherheit
  • Sicherheitsaspekte bei der KI-Entwicklung
  • Verantwortungsbewusste Vorgehensweise in der KI-Arbeit
  • Regulatorische Anforderungen und Governance-Kriterien

13. Projektmanagement im Bereich KI

  • Lebenszyklus von KI-Projekten
  • Agile Methoden für die KI-Entwicklung
  • Zusammenarbeit zwischen technischen und geschäftlichen Teams
  • Schätzung des Arbeitsaufwands bei KI-Projekten
  • Risikomanagement im Projektverlauf
  • Messung des Erfolgs von KI-Projekten

14. Praktisches Workshop zur KI-Entwicklung sowie zukünftige Trends

  • Einrichtung eines vollständigen Workflows für die KI-Entwicklung
  • Ausarbeitung eines end-to-end Machine-Learning-Projekts
  • Training und Bewertung eines Modells mittels TensorFlow oder PyTorch
  • Bereitstellung einer einfachen KI-Anwendung
  • Aktuelle Entwicklungen in der KI-Entwicklung
  • Generative KI sowie große Sprachmodelle (LLMs)
  • MLOps und Automatisierung im Bereich KI
  • Karrierechancen und Möglichkeiten zur Weiterbildung
  • Zusammenfassung, Fragen-Antwort-Runde sowie weitere Schritte

Voraussetzungen

  • Kenntnisse grundlegender Programmierkonzepte
  • Erfahrung in der Python-Programmierung
  • Grundverständnis von Statistik und linearer Algebra

Zielgruppe

  • KI-Entwickler
  • Softwareentwickler
  • Datenanalysten
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien