KI und ML: Tools und Techniken für Anfänger

Seminarziel

Am Ende des Seminars verfügen die Teilnehmenden über ein grundlegendes Verständnis von Künstlicher Intelligenz und Maschinellem Lernen. Sie können einfache ML-Modelle erstellen, trainieren und in Anwendungen integrieren, um intelligente Lösungen zu entwickeln. Zudem lernen sie die wichtigsten Konzepte und Best Practices kennen, um fundierte Entscheidungen bei der Entwicklung von KI-basierten Anwendungen zu treffen.

Inhalt

• Einführung in Künstliche Intelligenz und Maschinelles Lernen
  • Was ist Künstliche Intelligenz (KI)? Grundlagen und Bedeutung von KI in der modernen Technologie.
  • Was ist Maschinelles Lernen (ML)? Unterschiede und Zusammenhänge zwischen KI und ML.
  • Anwendungsbereiche: Überblick über verschiedene Einsatzmöglichkeiten von KI und ML in intelligenten Anwendungen.
• Grundlagen der Datenverarbeitung
  • Datenquellen und Datenerfassung: Identifikation und Sammlung relevanter Daten für ML-Modelle.
  • Datenvorbereitung und -bereinigung: Methoden zur Bereinigung und Vorbereitung von Daten für die Analyse.
  • Datenexploration und -visualisierung: Techniken zur Untersuchung und Darstellung von Datensätzen.
• Praxisübung 1: Datenvorbereitung
  • Ziel der Übung: Praktische Anwendung von Datenbereinigungs- und Vorbereitungsprozessen.
  • Projektbeschreibung: Bereinigung eines Rohdatensatzes und Vorbereitung für die Modellierung.
  • Tools: Python mit Pandas und Jupyter Notebook.
  • Ergebnisse: Ein sauberer und gut strukturierter Datensatz, bereit für die Analyse.
• Grundlagen des Maschinellen Lernens
  • Überwachtes vs. unüberwachtes Lernen: Einführung in die verschiedenen Lernparadigmen.
  • Wichtige Algorithmen: Überblick über gängige ML-Algorithmen wie Lineare Regression, Entscheidungsbäume und Clustering.
  • Modellbewertung und -validierung: Methoden zur Bewertung der Leistung von ML-Modellen.
• Praxisübung 2: Erstellung eines einfachen ML-Modells
  • Ziel der Übung: Entwicklung und Training eines grundlegenden ML-Modells.
  • Projektbeschreibung: Erstellung eines Modells zur Vorhersage von Hauspreisen basierend auf einem Datensatz.
  • Tools: Python mit Scikit-Learn.
  • Ergebnisse: Ein trainiertes ML-Modell zur Vorhersage von Hauspreisen.
• Einführung in Deep Learning
  • Was ist Deep Learning? Grundlagen und Unterschiede zu traditionellen ML-Methoden.
  • Neuronale Netze: Aufbau und Funktionsweise von künstlichen neuronalen Netzen.
  • Anwendungsbeispiele: Einsatz von Deep Learning in Bereichen wie Bild- und Spracherkennung.
• Praxisübung 3: Aufbau eines einfachen neuronalen Netzes
  • Ziel der Übung: Entwicklung eines einfachen neuronalen Netzes zur Klassifikation von Bildern.
  • Projektbeschreibung: Erstellung und Training eines Modells zur Erkennung von handgeschriebenen Ziffern.
  • Tools: Python mit TensorFlow/Keras.
  • Ergebnisse: Ein funktionierendes neuronales Netz zur Bildklassifikation.
• Deployment von Intelligent Applications
  • Modellbereitstellung: Methoden zur Integration von ML-Modellen in Anwendungen.
  • APIs und Microservices: Nutzung von APIs zur Bereitstellung von ML-Modellen.
  • Skalierbarkeit und Wartung: Strategien zur Skalierung und Pflege von intelligenten Anwendungen.
• Best Practices und ethische Überlegungen
  • Ethik in der KI: Diskussion über ethische Aspekte und Verantwortlichkeiten.
  • Bias und Fairness: Methoden zur Erkennung und Minimierung von Verzerrungen in ML-Modellen.
  • Datenschutz: Sicherstellung des Schutzes sensibler Daten bei der Entwicklung von KI-Anwendungen.
• Zukunft der Intelligent Applications
  • Neue Trends und Technologien: Überblick über kommende Entwicklungen im Bereich KI und ML.
  • Integration mit anderen Technologien: Nutzung von KI in Kombination mit IoT, Blockchain und anderen innovativen Technologien.
  • Community und Weiterentwicklung: Beteiligung an der KI-Community und kontinuierliches Lernen.