Diese Schulung dient der beruflichen Weiterentwicklung, und das erhaltene Zertifikat ersetzt nicht das MYK-Zertifikat, das in MYK-autorisierten Schulungen erforderlich ist.
Schulungsinhalt
Schulungsdauer: 10 Tage (09:00–12:00 Theorie, 13:00–16:00 Praxis)
Schwierigkeitsgrad: Anfänger + Fortgeschrittene technische Kenntnisse
Teilnehmerprofil: Softwareentwickler, Datenanalysten, Ingenieure, Universitätsstudenten, Mitarbeiter von Unternehmen
Voraussetzungen: Abschluss der Vorbereitungskurse (Programmierung / Betriebssysteme / Netzwerke) erforderlich; Grundkenntnisse in Mathematik (insbesondere Statistik, Wahrscheinlichkeit) werden empfohlen.
Anfängerstufe (Tag 1-5)
Tag 1: Grundlagen und Datenvorbereitung
• Konzepte der Künstlichen Intelligenz und des Maschinellen Lernens; Typen
• Grundlegende Statistik und Wahrscheinlichkeit: Mittelwert, Varianz, Verteilungen, Hypothesentests
• Datensammlung / Datensatzstruktur, Datenbereinigung, Umwandlung von kategorischen und numerischen Daten
Tag 2: Explorative Datenanalyse & Visualisierung
• Datenvisualisierungstechniken: Verständnis von Diagrammen, Schlussfolgerungen ziehen
• Feature Engineering: Merkmalsauswahl, Erstellung neuer Merkmale
Tag 3: Grundlegende Algorithmen und Modellbewertung
• Algorithmen wie lineare Regression, logistische Regression, Entscheidungsbäume, k-NN
• Leistungsbewertung: Genauigkeit, Präzision, Recall, F1, ROC AUC
Tag 4: Fortgeschrittene Grundtechniken + Einfache NLP / Zeitserien
• Naive Bayes, SVM, Clustering-Techniken
• Grundlagen der Zeitreihenanalyse
• Grundlegende natürliche Sprachverarbeitung: Textvorverarbeitung, Wortvektoren
Tag 5: Mini-Projekt und Portfolio-Arbeit
• Auswahl eines Datensatzes und Modellerstellung durch die Teilnehmer
• Modell erstellen, bewerten und präsentieren
Fortgeschrittene technische Stufe (Tag 6-10)
Tag 6: Einführung in Deep Learning
• Künstliche neuronale Netze, Schichten, Aktivierungsfunktionen, Vorwärts- und Rückwärtspropagation
• CNN: Grundlagen der Bildverarbeitung
Tag 7: Fortgeschrittene Modelle & NLP
• Transformer-Architekturen, Sprachmodelle, Konzepte von BERT / GPT (mit Beispielen, auf Konzeptniveau)
• Zeitreihenmodelle, Anomalieerkennung
Tag 8: Modelloptimierung und Bereitstellung (Deployment)
• Hyperparameter-Abstimmung, Overfitting/Underfitting, Regularisierung
• Einfaches Modell bereitstellen: als API freigeben / als Webdienst nutzen
Tag 9: Prompt Engineering und Techniken
• Few-shot / Zero-shot / Chain-of-thought Prompt-Techniken
• Iterative Verbesserung von Prompts, Kalibrierung der Ausgaben
• Branchenspezifische Prompt-Vorlagen
Tag 10: Ethik, Compliance und Karriereanwendungen + Abschlussprojekt
• Datenschutzgesetze (KVKK, GDPR), ethische Nutzung, Datenschutz
• Verantwortung, Vorurteile, Fairness, Transparenz in KI-Systemen
• Präsentationen der Teilnehmerprojekte + Bewertung
Schulungsergebnisse
- Teilnehmer lernen grundlegende und fortgeschrittene Techniken des Maschinellen Lernens.
- Praktische Erfahrung mit echten Datensätzen wird gesammelt.
- Fähigkeiten zur Initiierung, Verwaltung und Berichterstattung von KI-Projekten werden entwickelt.
- Bewusstsein für ethische und gesetzliche Rahmenbedingungen wird geschaffen.
Schulungsnotizen
- Der Trainer kann den Inhalt an das Niveau der Teilnehmer anpassen.
- Das Programm ist technologieunabhängig und basiert auf allgemeinen Prinzipien.
- Am Ende der Schulung erhalten die Teilnehmer ein universitätszertifiziertes Zertifikat.
Diese Schulung ist für Unternehmenskooperationen (Pakete für institutionelle / unternehmerische Rechtspersonen) offen, und individuelle Bewerbungen werden nicht akzeptiert. Der Schulungsinhalt kann je nach Unternehmensprofil und Bedürfnissen der Teilnehmer neu strukturiert werden. Nach gegenseitigen Gesprächen werden der Umfang und die Methode der Schulung (Präsenz, Online) festgelegt und die entsprechenden Prozesse abgeschlossen. Wenn eine Vereinbarung getroffen wird, werden die geeigneten Tage und Zeiten für die Teilnehmer Ihres Unternehmens sowie der Schulungsort festgelegt.