Zurück
Infomaterial anfordern
Kurshandbuch
UPS-CPKIEMC
Künstliche Intelligenz - Entwicklung Masterclass
Inhaltsverzeichnis
  1. Artificial Intelligence
  2. Maschinelles Lernen - Supervised Learning
  3. Maschinelles Lernen - Unsupervised Learning und Feature Engineering
  4. Neuronale Netze und Deep Learning
  5. Einführung in das Reinforcement Learning
  6. Einführung in Computer Vision
  7. Einführung in NLP
  8. Cloud Computing
Fakten zur Weiterbildung

Weiterbildung: Einzelmodullehrgang aus B.Sc. Angewandte Künstliche Intelligenz (Quellstudiengang: 1129722c)

Kursart: Online-Vorlesung

Dauer: Vollzeit: 8 Monate / Teilzeit: 16 Monate

Wir bieten digitale Kursunterlagen an, um Ressourcen zu schonen und unseren Beitrag zum Umweltschutz zu leisten.

Niveau: Die Weiterbildung ist auf dem inhaltlichen Niveau eines Bachelor Studiengangs.
Eine Weiterbildung auf Bachelor-Niveau vermittelt grundlegende Kenntnisse und Fähigkeiten in einem bestimmten Fachbereich.
Zugangsempfehlungen: Fortgeschrittene Mathematik- und Statistikkenntnisse (Analysis, Algebra und Statistik)

Praxis-Austausch: Wöchentlich diskutieren Praxisexpert:innen mit Teilnehmenden aus verschiedenen Weiterbildungen aktuelle Fragestellungen, Tools und praktische Fallbeispiele in 90-minütigen Online-Veranstaltungen.

Kurs: DLBDSEAIS01-01_D
Artificial Intelligence
Fakten zum Modul

Modul: Artificial Intelligence (DLBDSEAIS1-01_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Examen, 90 Minuten
Kurse im Modul:
  • DLBDSEAIS01-01_D (Artificial Intelligence)
Kursbeschreibung
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…
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
  1. Geschichte der KI
    1. Historische Entwicklunge
    2. KI-Winter
    3. Expertensysteme
    4. Bemerkenswerte Fortschritte
  2. Moderne KI-Systeme
    1. Schwache KI, starke KI und künstliche Superintelligenz
    2. Anwendungsbereiche
  3. Bestärkendes Lernen
    1. Was ist bestärkendes Lernen?
    2. Markov-Entscheidungsprozess und Wertfunktionen
    3. Temporales Differenzlernen und Q-Learning
  4. Natural Language Processing (NLP)
    1. Einführung in NLP und Anwendungsbereiche
    2. Grundlegende NLP-Techniken
    3. Daten vektorisieren
    4. Fortschrittliche NLP-Modelle
  5. Computer Vision
    1. Einführung in Computer Vision
    2. Bilddarstellung und -Geometrie
    3. Feature Engineering
    4. Semantische Segmentierung
    5. Techniken zur Bildgenerierung

Bis zu 100 % kostenlos weiterbilden

Arbeitssuchend? Deine Weiterbildung kann zu 100 % über den Bildungsgutschein der Bundesagentur für Arbeit gefördert werden.

Berufstätig, aber Dein Job ändert sich durch den digitalen Wandel? Mit dem Qualifizierungschancengesetz kannst Du Dich bis zu 100 % staatlich & arbeitgeberfinanziert weiterbilden.
Infomaterial anfordern
Kurs: DLBDSMLSL01_D
Maschinelles Lernen - Supervised Learning
Fakten zum Modul

Modul: Maschinelles Lernen - Supervised Learning (DLBDSMLSL_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Examen, 90 Minuten
Kurse im Modul:
  • DLBDSMLSL01_D (Maschinelles Lernen - Supervised Learning)
Kursbeschreibung
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…
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
  1. Einführung in das maschinelle Lernen
    1. Mustererkennungssysteme
    2. Der Entwicklungszyklus für maschinelles Lernen
    3. Technische Begriffe
    4. Underfitting und Overfitting
  2. Regression
    1. Lineare Regression
    2. Lasso- und Ridge-Regularisierung
    3. Generalisierte Lineare Modelle
    4. Logistische Regression
  3. Grundlegende Klassifizierungsverfahren
    1. k-Nearest-Neighbors
    2. Naïve Bayes
  4. Support-Vektor-Maschinen (SVM)
    1. Large-Margin-Klassifizierung
    2. Der Kernel-Trick
  5. Entscheidungs- und Regressionsbäume
    1. Entscheidungs- und Regressionsbäume
    2. Random Forest
    3. Gradient Boosting
Kurs: DLBDSMLUSL01_D
Maschinelles Lernen - Unsupervised Learning und Feature Engineering
Fakten zum Modul

Modul: Maschinelles Lernen - Unsupervised Learning und Feature Engineering (DLBDSMLUSL_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Fallstudie
Kurse im Modul:
  • DLBDSMLUSL01_D (Maschinelles Lernen - Unsupervised Learning und Feature Engineering)
Kursbeschreibung

Dieser Kurs befasst sich mit den Werkzeugen und Techniken des Unsupervised Learnings und Feature Engineerings. Unsupervised Learning bezeichnet Ansätze des maschinellen Lernens…

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.

Daher ist es für jeden Datenwissenschaftler von entscheidender Bedeutung, über ein solides Set an Ansätzen und Tools für diese Aufgabe zu verfügen. Dieser Kurs stellt die wichtigsten Methoden vor und zeigt, wie Techniken des Unsupervised Learnings eingesetzt werden können, um verlässliche und aussagekräftige Features zu finden. Dabei werden die Konzepte und Techniken anhand konkreter Beispiele demonstriert, die den Einsatz dieser Techniken zur Schaffung eines Mehrwerts für die Gesellschaft als Ganzes widerspiegeln, im Gegensatz zu ethisch fragwürdigen Anwendungsfällen.

Kursinhalte
  1. Einführung in Unsupervised Learning und Feature Engineering
    1. Unsupervised Machine Learning
    2. Feature Engineering
  2. Clustering
    1. k-Means
    2. Gaussian Mixture Model Clustering
    3. Hierarchisches Clustering
  3. Dimensionsreduktion
    1. Hauptkomponentenanalyse (engl. Principal Component Analysis, PCA)
    2. Multidimensionale Skalierung
    3. Local Linear Embedding
  4. Feature Engineering
    1. Numerische Features
    2. Kategoriale Features
    3. Text-Features
  5. Feature-Auswahl
    1. Feature Importance
    2. Feature-Varianz
    3. Korrelationsmatrix
    4. Rekursive Feature-Auswahl
  6. Automatisierte Feature-Generierung
    1. Automatisierte Feature-Generierung
    2. Feature Engineering versus Deep Learning
Kurs: DLBDSNNDL01-01_D
Neuronale Netze und Deep Learning
Fakten zum Modul

Modul: Neuronale Netze und Deep Learning (DLBDSNNDL-01_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Fachpräsentation
Kurse im Modul:
  • DLBDSNNDL01-01_D (Neuronale Netze und Deep Learning)
Kursbeschreibung
Neuronale Netze und Deep Learning-Ansätze haben in den letzten Jahren die Bereiche Data Science und Künstliche Intelligenz revolutioniert, und Anwendungen, die auf diesen…
Neuronale Netze und Deep Learning-Ansätze haben in den letzten Jahren die Bereiche Data Science und Künstliche Intelligenz revolutioniert, und Anwendungen, die auf diesen Techniken aufbauen, haben in vielen Spezialanwendungen die menschliche Leistung erreicht oder übertroffen. Nach einem kurzen Überblick über die Ursprünge von neuronalen Netzen und Deep Learning wird in diesem Kurs detailliert erörtert, wie Feed-Forward-Netze erstellt und trainiert werden. Zusätzlich behandelt dieser Kurs weitere gängige Netzwerkarchitekturen wie Faltungsnetzwerke, rekurrente neuronale Netzwerke und die Transformer-Architektur. Darüber hinaus werden anhand des begleitenden Videomaterials und der Online-Tutorials die Auswirkungen von Designentscheidungen und des Datenerhebungsprozesses auf Fragen der algorithmischen Fairness sowohl im Hinblick auf ihre individuelle als auch ihre gesellschaftliche Dimension diskutiert.
Kursinhalte
  1. Einführung in neuronale Netze
    1. Das biologische Gehirn
    2. Bausteine neuronaler Netze
    3. Tiefe versus flache Netze
    4. Überwachtes Lernen
    5. Reinforcement Learning (Verstärkungslernen)
  2. Feed-Forward-Netzwerke
    1. Architektur und Gewichtsinitialisierung
    2. Kostenfunktionen
    3. Rückwärtspropagation und Gradientenabstieg
    4. Batch-Normalisierung
  3. Vermeidung von Übertraining
    1. Was ist Übertraining?
    2. Early Stopping
    3. L1- und L2-Regularisierung
    4. Dropout
    5. Weight Pruning
  4. Faltungsnetzwerke
    1. Motivation und Anwendungen
    2. Faltung und Image-Filterung
    3. CNN-Architektur
    4. Beliebte Faltungsnetzwerke
  5. Rekurrente neuronale Netze
    1. Rekurrente Neuronen
    2. Speicherzellen
    3. LSTMs
    4. Training von RNNs: Abrollen durch die Zeit
  6. Transformer-Architektur
    1. Einführung und Schlüsselinnovationen
    2. Aufmerksamkeitsmechanismen und Architektur
    3. Einblicke in Training, Anwendungen und Kodierung
    4. Herausforderungen und zukünftige Wege
Kurs: DLBAIIRL01_D
Einführung in das Reinforcement Learning
Fakten zum Modul

Modul: Einführung in das Reinforcement Learning (DLBAIIRL_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Examen, 90 Minuten
Kurse im Modul:
  • DLBAIIRL01_D (Einführung in das Reinforcement Learning)
Kursbeschreibung

Methoden des verstärkenden Lernens erlauben Computern, Lösungsstrategien für Aufgaben zu entwickeln, ohne dass sie dafür explizit programmiert werden, angelehnt an den Lernprozess…

Methoden des verstärkenden Lernens erlauben Computern, Lösungsstrategien für Aufgaben zu entwickeln, ohne dass sie dafür explizit programmiert werden, angelehnt an den Lernprozess von Menschen und Tieren. Nach einer allgemeinen Einführung in das Gebiet des verstärkenden Lernens werden sequentielle Entscheidungsprozesse und dynamische Programmierung im Detail besprochen. Diese Konzepte bilden die Grundlage, auf der wesentliche Teile der Theorie des verstärkenden Lernens aufbauen; sie sind für das weitere Verständnis des Themengebiets von entscheidender Bedeutung. Der Kurs behandelt insbesondere Temporal-Difference-Learning als klassischen Ansatz im verstärkenden Lernen und betrachtet die zwei wichtigsten Algorithmen: Q-Learning und SARSA, sowie das Verständnis des Verhältnisses zwischen Exploration und Exploitation.

Danach wendet sich der Kurs modernen Reinforcement-Learning-Ansätzen mit tiefen neuronalen Netzen zu, einschließlich einer detaillierten Betrachtung, wie das Training tiefer neuronaler Netzen im Kontext des verstärkenden Lernens optimiert werden kann. Weiterhin werden wichtige Anwendungen und Beispiele vorgestellt.

Kursinhalte
  1. Einführung in das Reinforcement Learning
    1. Ziele von Reinforcement Learning
    2. Komponenten von Reinforcement-Learning-Systemen
    3. Reinforcement Learning im Vergleich zu Supervised und Unsupervised Learning
  2. Sequenzieller Entscheidungsprozess
    1. Einführung in sequenzielle Entscheidungsprozesse
    2. Zustände, Aktionen und Belohnungen
    3. Markov-Entscheidungsprozess
  3. 3. Dynamische Programmierung
    1. Policies und Aktionen
    2. Wertfunktionen
    3. Bellman-Gleichungen
    4. Policy und Value-Iteration
  4. Algorithmen des Reinforcement Learnings und deren Eigenschaften
    1. Temporal Difference Learning und Q-Faktoren
    2. Exploration versus Exploitation
    3. On-Policy Learning: SARSA
    4. Off-Policy Learning: Q-Learning
  5. Deep Reinforcement Learning
    1. Neuronale Netze im Q-Learning
    2. Optimierung des Deep Reinforcement Learnings
    3. Anwendungen und Beispiele
Kurs: DLBAIICV01_D
Einführung in Computer Vision
Fakten zum Modul

Modul: Einführung in Computer Vision (DLBAIICV_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Examen, 90 Minuten
Kurse im Modul:
  • DLBAIICV01_D (Einführung in Computer Vision)
Kursbeschreibung
In diesem Kurs werden die Grundlagen für das Verständnis von Computer Vision geschaffen. Zu Beginn wird der Prozess des Sehens aus biologischer Sicht, sowie die Bilderfassung bei…
In diesem Kurs werden die Grundlagen für das Verständnis von Computer Vision geschaffen. Zu Beginn wird der Prozess des Sehens aus biologischer Sicht, sowie die Bilderfassung bei technischen Systemen behandelt. Als nächstes wird die Bedeutung von Filtern in der Bildverarbeitung erläutert und die relevanten Konzepte vorgestellt. Darauf aufbauend wird erklärt, wie wichtige elementare Bildmerkmale aus den Rohdaten extrahiert werden können, wie beispielsweise Kanten. Im weiteren Verlauf wird erläutert, wie höhere Abstraktionsebenen betrachtet werden können, wie beispielsweise die Objekterkennung oder Klassifikation von Bildern. Abschließend wird die Verarbeitung von Videoinformationen behandelt und es werden moderne Ansätze zur Lösung wichtiger Computer Vision Aufgaben in diesem Umfeld vorgestellt.
Kursinhalte
  1. Grundlagen der Computer Vision
    1. Das menschliche Sehsystem
    2. Lochkameras und Kameras mit Objektiv
    3. Bildsensoren
  2. Filter in der Bildverarbeitung
    1. Invariante Systeme unter linearen Verschiebungen, Faltungen und die Punktverteilungsfunktion
    2. Fourier-Transformation und Ortsfrequenz
    3. Gängige Bildfilter (Gaußsche Glättung, Median-, Modusfilter, Rangordnung)
  3. Low-Level-Vision
    1. Regionen mit konstanten Parametern (Blobs)
    2. Kanten und Linien
    3. Ecken und Points of Interest
  4. High-Level-Vision
    1. Klassifizierung von Bildern
    2. Semantische Segmentierung
    3. Objekterkennung
  5. Video
    1. Grundlagen von Videodaten, Bewegung und optischem Fluss
    2. Nachverfolgung von Ojekten
    3. Klassifizierung von Aktionen und Bewegungen
Kurs: DLBAIINLP01_D
Einführung in NLP
Fakten zum Modul

Modul: Einführung in NLP (DLBAIINLP_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Examen, 90 Minuten
Kurse im Modul:
  • DLBAIINLP01_D (Einführung in NLP)
Kursbeschreibung
In diesem Kurs werden traditionelle und moderne Ansätze der Verarbeitung natürlicher Sprache vermittelt. Dazu werden Techniken, Herausforderungen und Lösungsansätze vorgestellt…
In diesem Kurs werden traditionelle und moderne Ansätze der Verarbeitung natürlicher Sprache vermittelt. Dazu werden Techniken, Herausforderungen und Lösungsansätze vorgestellt, und ein umfassender Überblick über relevante Themen und Techniken gegeben. Zusätzlich wird gezeigt, wie NLP in verschiedenen Anwendungsszenarien erfolgreich eingesetzt werden kann - sowohl theoretisch als auch anhand praktischer Beispiele.
Kursinhalte
  1. Grundlegende Begriffe und Konzepte
    1. Was ist NLP?
    2. Syntax
    3. Semantik
    4. Prosodie
    5. Grammatik
  2. Sprache und Sprechen
    1. Menschlicher Stimmapparat
    2. Sprachproduktion
    3. Phonetik
  3. Herausforderungen im NLP
    1. Daten für NLP
    2. Bewertung von NLP-Systemen
    3. Domänenbedingte Herausforderungen
    4. Mehrsprachige Anwendung
  4. Techniken
    1. Regeln versus Statistik
    2. Reguläre Ausdrücke
    3. N-Gramme
    4. Vektorisierung von Daten
    5. NLP-Modelle
  5. Anwendungsszenarien
    1. Spracherkennung und Sprachsynthese
    2. Maschinelle Übersetzung
    3. Informationsgewinnung
    4. Sentimentanalyse
    5. Chatbots
    6. NLP mit Python
Kurs: DLBDSCC01-01_D
Cloud Computing
Fakten zum Modul

Modul: Cloud Computing (DLBDSCC-01_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Klausur, 90 Minuten
Kurse im Modul:
  • DLBDSCC01-01_D (Cloud Computing)
Kursbeschreibung
Viele der jüngsten Fortschritte in der Datenwissenschaft, insbesondere beim maschinellen Lernen und bei der künstlichen Intelligenz, beruhen auf umfassender Datenspeicherung und…
Viele der jüngsten Fortschritte in der Datenwissenschaft, insbesondere beim maschinellen Lernen und bei der künstlichen Intelligenz, beruhen auf umfassender Datenspeicherung und Rechenleistung. Cloud Computing ist eine Möglichkeit, diese Leistung auf skalierbare Weise und ohne beträchtliche Vorabinvestitionen in Hardware- und Software-Ressourcen bereitzustellen. Dieser Kurs führt in den Bereich des Cloud Computing zusammen mit seinen technologischen Voraussetzungen ein. Darüber hinaus werden die neuesten Fortschritte, wie Serverless Computing und Speicherung, veranschaulicht. Schließlich wird ein gründlicher Überblick über beliebte Cloud-Angebote, insbesondere im Hinblick auf Analysemöglichkeiten, gegeben.
Kursinhalte
  1. Einführung in das Cloud Computing
    1. Grundlagen des Cloud Computing
    2. Cloud-Service-Modelle
    3. Nutzen und Risiken
  2. Ermöglichende Technologien
    1. Virtualisierung und Containerisierung
    2. Speichertechnik
    3. Netzwerke und RESTful-Dienste
  3. Serverless Computing
    1. Einführung in das Serverless Computing
    2. Vorteile
    3. Einschränkungen
  4. Etablierte Cloud-Plattformen
    1. Allgemeiner Überblick
    2. Amazon Web Services
    3. Microsoft Azure
    4. Google Cloud Platform
    5. Vergleich der Plattformen
  5. Data Science in der Cloud
    1. Anbieterunabhängige Dienste und Tools
    2. Google-Dienste für Data Science und Maschinelles Lernen
    3. Amazon Web Services für Data Sciences und Maschinelles Lernen
    4. Microsoft-Azure-Dienste für Data Science und Maschinelles Lernen

Jetzt Infomaterial anfordern

Schön, dass Du Dich entschieden hast, alles über Deine Weiterbildung und die IU Akademie zu erfahren. Fordere jetzt Dein Infomaterial an: kostenlos und unverbindlich.
Voraussetzung für den Bildungsgutschein
Datenschutzhinweis

Ich habe die Datenschutzerklärung, sowie die Informationen zum Widerrufsrecht und zu den Verantwortlichen zur Kenntnis genommen.

* Pflichtfelder