Angewandte KI mit Python

Seminarziel

Nach dem Seminar sind die Teilnehmer*Innen in der Lage, grundlegende Methoden der Künstlichen Intelligenz einzuordnen und praktisch anzuwenden. Sie verstehen konzeptionell, wie Machine Learning- und Deep-Learning-Modelle funktionieren und wie moderne LLM-basierte Systeme aufgebaut sind.
Die Teilnehmer*innen können einfache KI-Anwendungen mit Python umsetzen, Daten analysieren und geeignete Modelle auswählen. Darüber hinaus sind sie in der Lage, typische KI-Systeme konzeptionell zu verstehen und für eigene Anwendungsfälle zu nutzen.

Inhalt

• Einführung in Künstliche Intelligenz (AI) und ihre Anwendungen
  • Eine Einführung in die Konzepte der Künstlichen Intelligenz, einschließlich Maschinellem Lernen (ML), Deep Learning und Neuronalen Netzwerken . Die Teilnehmer erhalten einen Überblick über die wichtigsten Anwendungsbereiche von AI wie Bildverarbeitung , Spracherkennung und Automatisierung .
  • Anwendungsbereiche von AI: Beispiele für AI in der Praxis, wie in den Bereichen Finanzen , Gesundheitswesen , Logistik und Kundendienst . Besondere Betonung auf die Automatisierung von Aufgaben und die Verbesserung von Entscheidungsprozessen durch AI.
  • Unterschiede zwischen Supervised , Unsupervised und Reinforcement Learning : Ein Überblick über die verschiedenen Arten von Machine-Learning-Algorithmen und ihre spezifischen Einsatzgebiete in der Praxis.
• Implementierung von Künstlicher Intelligenz in Python
  • Einführung in Python für AI: Warum Python die bevorzugte Sprache für AI-Entwicklung ist. Überblick über wichtige Bibliotheken wie NumPy , Pandas , Matplotlib und Scikit-learn für Datenanalyse und Visualisierung.
  • Grundlagen des Maschinellen Lernens mit Python: Einführung in Scikit-learn zur Implementierung von Algorithmen wie Linearer Regression , K-Nearest Neighbors (KNN) und Support Vector Machines (SVM) .
  • Datenvorverarbeitung und Feature Engineering: Wie man Daten bereinigt, normalisiert und relevante Merkmale extrahiert, um die Leistung von AI-Modellen zu verbessern.
• Praxisübung 1: Implementierung eines einfachen Machine-Learning-Modells
  • Ziel der Übung: Die Teilnehmer implementieren ein einfaches Machine-Learning-Modell von Grund auf und trainieren es mit einem Beispiel-Datensatz.
    • Projektbeschreibung: Entwicklung eines Modells zur Vorhersage von Hauspreisen basierend auf einem Beispiel-Datensatz. Die Teilnehmer lernen, Daten zu laden, zu analysieren, zu trainieren und zu testen.
    • Tools: Python , Scikit-learn , Pandas , NumPy , Matplotlib .
    • Ergebnisse: Die Teilnehmer haben ein funktionsfähiges Machine-Learning-Modell erstellt und dessen Vorhersagen getestet.
• Einführung in Neuronale Netzwerke und Deep Learning
  • Grundlagen neuronaler Netzwerke: Erläuterung der Funktionsweise von Künstlichen Neuronalen Netzwerken (ANNs), inklusive der Forward Propagation und Backpropagation .
  • Einführung in TensorFlow und Keras : Verwendung dieser Frameworks zur Implementierung von Deep-Learning-Modellen. Grundlagen des Modellaufbaus, Aktivierungsfunktionen und Optimierungsalgorithmen.
  • Convolutional Neural Networks (CNNs) für Bildverarbeitung: Erklärung von CNNs und deren Anwendung in der Bildverarbeitung , einschließlich Bildklassifikation und Objekterkennung.
• Reinforcement Learning und seine Anwendung
  • Einführung in Reinforcement Learning: Grundprinzipien von Belohnung und Bestrafung , die ein Modell durch Interaktionen mit der Umgebung lernt.
  • Grundlegende Algorithmen des Reinforcement Learnings: Implementierung von Q-Learning und Deep Q-Networks (DQN) in Python.
  • Beispiele für Reinforcement Learning in der Praxis: Einsatzmöglichkeiten in Robotik , Spielen und autonomen Systemen .
• Praxisübung 2: Entwicklung eines neuronalen Netzwerks zur Bildklassifikation
  • Ziel der Übung: Die Teilnehmer erstellen ein Convolutional Neural Network (CNN) zur Klassifikation von Bildern und trainieren das Modell mit einem Bilddatensatz.
    • Projektbeschreibung: Entwicklung eines Modells, das den MNIST-Datensatz zur Klassifikation von handgeschriebenen Ziffern verwendet.
    • Tools: TensorFlow , Keras , Python .
    • Ergebnisse: Die Teilnehmer haben ein funktionierendes neuronales Netzwerk entwickelt, das in der Lage ist, Ziffern aus Bildern zu erkennen und zu klassifizieren.
• Optimierung und Evaluierung von AI-Modellen
  • Modelloptimierung und Hyperparameter-Tuning: Einführung in Grid Search , Random Search und andere Techniken, um AI-Modelle durch Optimierung von Hyperparametern zu verbessern.
  • Modellbewertung und Cross-Validation: Verwendung von Train-Test-Split , Kreuzvalidierung und Metriken wie Accuracy , Precision , Recall und F1-Score , um die Leistung eines Modells zu messen und zu verbessern.
  • Umgang mit Überanpassung (Overfitting): Techniken wie Regularisierung , Dropout und Datenaugmentation , um zu verhindern, dass ein Modell zu stark an den Trainingsdaten angepasst wird.
• Bereitstellung und Einsatz von AI-Modellen
  • Bereitstellung von AI-Modellen: Einführung in die Bereitstellung von Machine-Learning-Modellen in Produktionsumgebungen mit Tools wie Flask , FastAPI oder Docker .
  • Skalierung von AI-Modellen: Einsatz von Cloud-Diensten wie AWS , Google Cloud oder Microsoft Azure , um AI-Modelle zu skalieren und in verschiedenen Anwendungsfällen zu nutzen.
  • Modelle in Web- und Mobilanwendungen integrieren: Wie man AI-Modelle in Webanwendungen , Mobile Apps und andere Systeme integriert, um sie benutzerfreundlich zu machen.