Der Kurs wird als synchron Kurs durchgeführt online oder in Präsenz.

---

Modul 1  Grundlagen und Einführung Lernziele

• Grundlegende Konzepte zu unterscheiden: Die zentralen Begriffe der KI, des maschinellen Lernens und des Deep Learning zu definieren und voneinander abzugrenzen.
• Die Funktionsweise neuronaler Netze zu beschreiben: Den grundlegenden Aufbau und die Funktionsweise neuronaler Netze zu erklären.
• Variablen zu klassifizieren: Variable nach ihren Skalenniveaus einzuordnen und zu verstehen, wie diese die Wahl des ML-Verfahrens beeinflussen.
• Zwischen Klassifikation und Regression zu unterscheiden: Den Unterschied zwischen den beiden Hauptkategorien des maschinellen Lernens zu erklären und Beispiele zu nennen.
• Wichtige Tools zu benennen: Die wichtigsten Python-Bibliotheken und Programmierumgebungen für maschinelles Lernen aufzuzählen und ihre jeweilige Funktion zu beschreiben.
• Den ML-Prozess zu verstehen: Die einzelnen Schritte im Lebenszyklus eines ML-Modells zu benennen und deren Bedeutung zu erklären.

---

Modul 2 Datenanalyse und Statistik Lernziele

• Grundlagen der Datenanalyse verstehen: Erlernen Sie die Grundlagen der Statistik, einschließlich der Konzepte von Häufigkeiten in Klassen, Korrelationen und der Arbeit mit Ausreißern. Sie werden verstehen, wie diese statistischen Kennzahlen berechnet und interpretiert werden.
• Korrelationen analysieren und interpretieren: Sie lernen, wie Sie Korrelationen zwischen Variablen mit den Methoden von Pearson und Spearman analysieren. Dies ermöglicht es Ihnen, lineare und nicht-lineare Abhängigkeiten in Datensätzen zu erkennen und die Bedeutung des Korrelationskoeffizienten zu interpretieren.
• Umgang mit Ausreißern beherrschen: Sie werden in der Lage sein, Ausreißer in Datensätzen mithilfe visueller Methoden (wie Scatter– und Box Plots) und statistischer Methoden (wie dem Z-Score und dem Interquartilsabstand) zu identifizieren. Anschließend lernen Sie verschiedene Strategien zur Behandlung dieser Ausreißer kennen, darunter das Entfernen, Transformieren oder die Verwendung robuster Algorithmen.
• Feature Selection anwenden: Sie erfahren, welche Variablen für ein Modell relevant sind, indem Sie Techniken der Feature Selection wie die Forward und Backward Feature Selection und die Permutation Feature Importance anwenden.
• Zwischen Korrelation und Kausalität unterscheiden: Sie entwickeln ein kritisches Verständnis für den Unterschied zwischen Korrelation und Kausalität, indem Sie Beispiele für Scheinkorrelationen analysieren.

---

Modul 3 Maschinelles Lernen und Neuronale Netze

• Verständnis grundlegender ML-Verfahren: Sie können die Funktionsweise, Stärken und Schwächen von Klassifikations- und Regressionsalgorithmen wie Support Vector Machines, k-Nearest Neighbors und baumbasierten Verfahren (z.B. Random Forest, Gradient Boosting) erklären.
• Anwendung von Parametern für baumbasierte Modelle: Sie kennen die wichtigsten Basisparameter wie max_depth, n_estimators, min_samples_leaf und learning_rate und können deren Auswirkungen auf Modellkomplexität und Performance beurteilen.
• Optimierung und Evaluierung von Modellen: Sie sind in der Lage, Hyperparameter mit Methoden wie GridSearchCV und RandomizedSearchCV zu optimieren und die Leistung von Klassifikations- und Regressionsmodellen mithilfe relevanter Gütekriterien wie Accuracy, F1-Score, MSE oder R2 zu bewerten.
• Aufbau und Training neuronaler Netze mit TensorFlow: Sie können ein Multilayer Perceptron (MLP) mit der Keras-API in TensorFlow aufbauen, kompilieren und trainieren, indem Sie wesentliche Komponenten wie layers, activation functions, optimizers und loss functions korrekt verwenden.
• Grundlagen neuronaler Netz-Architekturen und -Modifikationen: Sie verstehen die Struktur eines MLP und können gängige Modifikationen wie Dropout und Batch Normalization anwenden, um die Modellleistung zu verbessern. Zusätzlich kennen Sie spezielle Varianten wie Autoencoder und DNNs.

---

Modul 4 KI Modelle anwenden und Praxisbeispiele

• Modellmanagement verstehen: Sie lernen den Prozess der Erstellung, des Trainings, des Speicherns und des Einsatzes von maschinellen Lernmodellen mithilfe gängiger Frameworks wie TensorFlow, PyTorch und scikit-learn.
• Model Drift erkennen: Sie verstehen die Konzepte von „Model Drift“ und „Concept Drift“ und wissen, warum die Vorhersagegenauigkeit eines Modells im Laufe der Zeit aufgrund veralteter Trainingsdaten oder sich ändernder Beziehungen zwischen Eingabedaten und Zielwerten abnehmen kann.
• Convolutional Neural Networks (CNNs) anwenden: Sie können den Aufbau und die Funktionsweise von CNNs erklären und diese für Computer-Vision-Aufgaben wie Bilderkennung, Objektklassifikation und Segmentierung einsetzen, basierend auf praktischen Beispielen wie dem MNIST-Datensatz.
• Objektdetektion implementieren: Sie beschreiben, wie Objekterkennungsmodelle in Echtzeit, wie z.B. YOLO (You Only Look Once), funktionieren, einschließlich der Schlüsselschritte der Gittereinteilung, der Vorhersage von Bounding Boxes, der Klassenklassifikation und der Non-Maximum Suppression.
• Open-Source-Ressourcen nutzen: Sie entdecken, wie man Open-Source-Plattformen und Daten-Repositories wie Hugging Face und verschiedene Datensätze wie ImageNet, COCO und MNIST nutzen kann, um auf vortrainierte Modelle für unterschiedliche Anwendungen zuzugreifen und diese zu verwenden.

---

Übungen: Python-Umgebung (Jupyter Notebook)

• Jeder nutzt sein eigenes Jupyter Notebook um das erlernte direkt anzuwenden und auszuprobieren.

1. Modul: Begriffe und Konzepte

2. Modul: IoT Technologien und Funktionen