Künstliche Intelligenz (KI) und maschinelles Lernen

Seminarziel

Das Seminar hat das Ziel, Unternehmen dabei zu unterstützen, das  Potenzial von Künstlicher Intelligenz (KI) und maschinellem Lernen zu  verstehen und zu nutzen. Es soll den Unternehmen ermöglichen, die  Vorteile von KI-basierten Lösungen zu erkennen und diese in ihren  Geschäftsprozessen und -strategien erfolgreich einzusetzen. Das Seminar  soll den Unternehmen helfen, ihre Effizienz zu steigern, die  Kundenerfahrung zu verbessern, bessere Entscheidungen zu treffen und  einen Wettbewerbsvorteil zu erlangen.

Inhalt

• Einführung in Künstliche Intelligenz und maschinelles Lernen
  • Grundlagen der KI und des maschinellen Lernens
  • Unterschiede zwischen KI und maschinellem Lernen
  • Anwendungen von KI und maschinellem Lernen in verschiedenen Bereichen
• Arten von maschinellem Lernen
  • Überwachtes Lernen
  • Unüberwachtes Lernen
  • Bestärkendes Lernen
  • Semi-überwachtes und transduktives Lernen
  • Transferlernen
• Grundlagen des maschinellen Lernens
  • Datenrepräsentation und Merkmalsextraktion
  • Trainingsdaten, Testdaten und Validierung
  • Modellierung und Optimierung
  • Evaluierung von Modellen und Fehleranalyse
• Supervised Learning (überwachtes Lernen)
  • Lineare Regression
  • Logistische Regression
  • Support Vector Machines (SVM)
  • Entscheidungsbäume und Random Forests
  • K-Nearest Neighbors (KNN)
  • Naive Bayes-Klassifikation
• Unsupervised Learning (unüberwachtes Lernen )
  • K-Means-Clustering
  • Hierarchisches Clustering
  • Dimensionsreduktion mit Hauptkomponentenanalyse (PCA)
  • Assoziationsregeln und Apriori-Algorithmus
• Einführung in neuronale Netzwerke
  • Aufbau und Funktionsweise von Neuronen und neuronalen Netzwerken
  • Aktivierungsfunktionen
  • Vorwärtspropagation und Rückwärtspropagation
  • Training von neuronalen Netzwerken mit Backpropagation
• Vertiefung in neuronale Netzwerke
  • Convolutional Neural Networks (CNN) für Bildverarbeitung
  • Recurrent Neural Networks (RNN) für Sequenzdaten
  • Long Short-Term Memory (LSTM) für Text- und Sprachverarbeitung
  • Generative Adversarial Networks (GAN) für Generierung neuer Daten
• Deep Learning Frameworks
  • TensorFlow
  • Keras
  • PyTorch
• Anwendungen von KI und maschinellem Lernen
  • Bilderkennung und -klassifikation
  • Sprachverarbeitung und -generierung
  • Empfehlungssysteme
  • Natural Language Processing (NLP)
  • Anomalieerkennung und Predictive Maintenance
• Herausforderungen und Ethik in der KI
  • Bias und Fairness in KI-Modellen
  • Datenschutz und Datensicherheit
  • Verantwortungsvolle KI-Entwicklung
  • Auswirkungen von KI auf Arbeitsplätze und Gesellschaft
• Praktische Anwendungsfälle und Fallstudien
  • Fallbeispiele aus verschiedenen Branchen
  • Umsetzung von KI-Projekten in der Praxis
  • Erfolgsfaktoren und Lessons Learned
• Zukunftsperspektiven von KI und maschinellem Lernen
  • Trends und Entwicklungen in der KI-Forschung
  • Potenzial von KI für die Zukunft
  • Ausblick auf weitere Anwendungsbereiche von KI