Zurück
Infomaterial anfordern
Kurshandbuch
UPS-PPDPKIEUCC
Künstliche Intelligenz - Entwicklung und Cloud Computing
Inhaltsverzeichnis
  1. Artificial Intelligence
  2. Maschinelles Lernen - Supervised Learning
  3. Maschinelles Lernen - Unsupervised Learning und Feature Engineering
  4. Neuronale Netze und Deep Learning
  5. Cloud Computing
  6. Projekt: Cloud Programming
Fakten zur Weiterbildung

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

Kursart: Online-Vorlesung

Dauer: Vollzeit: 6 Monate / Teilzeit: 12 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: 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
Kurs: DLBSEPCP01_D
Projekt: Cloud Programming
Fakten zum Modul

Modul: Projekt: Cloud Programming (DLBSEPCP_D)

Niveau: Bachelor

Unterrichtssprache: Deutsch

Credits: 5 ECTS-Punkte
Äquivalent bei Anrechnung an der IU Internationale Hochschule.
Modulprüfung:
  • Portfolio
Kurse im Modul:
  • DLBSEPCP01_D (Projekt: Cloud Programming)
Kursbeschreibung
Die Nutzung von Rechnerressourcen als Gebrauchsgut (Commodity Computing) in Form eines Dienstes, der über eine Netzwerkschnittstelle angeboten wird, ist ein wichtiger technischer…
Die Nutzung von Rechnerressourcen als Gebrauchsgut (Commodity Computing) in Form eines Dienstes, der über eine Netzwerkschnittstelle angeboten wird, ist ein wichtiger technischer Aspekt der von IT-Organisationen erbrachten Dienste: Die Dienste des Cloud-Computings funktionieren innerhalb einer Serverumgebung und die Allgegenwärtigkeit des Netzwerks macht den Dienst von überall her erreichbar, mit hoher Verfügbarkeitsgarantie und flexibler Skalierbarkeit. Ziel des Kurses ist die dokumentierte Realisierung eines Cloud-Dienstes, der alle Attribute eines solchen aufweist. Dabei setzen die Studierenden ihr Wissen über verteilte Computersysteme ein und vertiefen es, um einen skalierbaren Dienst in der Cloud planen, erstellen, bereitstellen, testen, messen und dokumentieren zu können.
Kursinhalte
  • In diesem Kurs erstellen die Studierenden einen Cloud-Service, der die Kernaspekte der Cloud-Service-Programmierung durch eine explizite Dokumentation und eine messbare konkrete Umsetzung demonstriert. Dazu wählen sie einen PaaS-Cloud-Service-Hoster, richten einen Service ein, beschreiben dessen Schnittstellen (API) und wie die Kerneigenschaften von Cloud-Services erreicht werden:
    • Horizontale oder vertikale Skalierbarkeit: Wie der Service in seiner Ressourcennutzung erweitert oder reduziert werden kann, um auf Schwankungen in der Nachfrage zu reagieren.

      Hohe Verfügbarkeit: Was garantiert einen Failover, falls eine Komponente des Dienstes ausfällt und welche Art von Degradierung auftreten kann.

    • Messbarkeit: Wie die Nutzung von Ressourcen gemessen wird und wie diese Messungen eine proaktive Planung ermöglichen können.
    • Orchestrierung und Bereitstellung: Wie der Dienst bereitgestellt wird und wie Änderungen in seiner Ressourcenzuweisung nach Bedarf der Nutzung des Dienstes erfolgen.
  • Der Cloud-Dienst sollte von externen Benutzern getestet und demonstriert werden können. Ein Plan, wie er getestet werden kann, sollte Teil der Dokumentation sein, einschließlich der Nutzungsdimensionen sowie der API-Definitionen des Dienstes. Der Dienst sollte ein erkennbares Geschäftsbedürfnis erfüllen und durch eine API-Definition und eine Benutzerschnittstelle für seine Nutzung dokumentiert sein, die auf jeder Plattform mit Internetzugang lauffähig ist. Da es sich um einen Dienst im Internet handelt, sollten seine Sicherheitseinschränkungen zugänglich und verständlich sein. Basierend auf diesen Aspekten realisieren die Studierenden eine Arbeit in Form von Software-Artefakten in einem Versionierungssystem und einer visuell lesbaren Dokumentation der Realisierung und ihres Prozesses. Die Realisierung und ihre Dokumentation sollen aktuellen Trends im Cloud Engineering folgen.

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