| Kursbeschreibung (description): |
Teilnehmende erhalten einen praxisnahen Einstieg in Data Science und KI. Vermittelt werden Python-Grundlagen, Datenaufbereitung aus vielfältigen Quellen sowie zentrale Bibliotheken wie NumPy, pandas, scikit-learn und TensorFlow. Behandelt werden Machine Learning, neuronale Netze, Deep Learning und Transfer Learning, um eigene KI-Modelle zu entwickeln und anzuwenden.
|
|
| Zielgruppe (target group): |
- Entwickler
- IT-Fachkräfte
- KI-Beauftragte
- KI-Auditoren
|
|
| Voraussetzungen (requirements): |
keine
|
|
| Ziele (objectives): |
- Grundlagen der Python-Programmierung erlernen, grundlegende Konstrukte und Elemente von Python verstehen, wichtige Standardbibliotheken für die Datenanalyse kennenlernen.
- Daten aus verschiedensten Quellen extrahieren, Daten aufbereiten und bereinigen, Textdateien verarbeiten, Daten aus Datenbanken einlesen, Webseiten auslesen, Daten aus weiteren Formaten extrahieren können.
- Konzepte aus dem Machine Learning einordnen und grundlegende Techniken in realen Use Cases anwenden können.
- Grundlagen neuronaler Netze verstehen, wichtige Konzepte kennenlernen, Modelle entwerfen und anpassen, mit Python und TensorFlow arbeiten, vortrainierte Netze und Transfer Learning nutzen können.
Darüber hinaus bildet der Kurs eine gute Basis für weitere Aufbaukurse, z.B.:
AI030 KI-Implementierung Advanced
AI100 KI-Beauftragter
AI135 KI-Auditor
AI050 KI Security Specialist
|
|
| Preis und Dauer (price and duration): |
Dauer (duration): 3 Tage
Preis (price): 2150,- Euro zzgl. MwSt.
Die optionale Zertifikatsprüfung ist nicht im Kurspreis enthalten und kann separat zum Preis von 150,00 € zzgl. MwSt. gebucht werden.
Eine Druckansicht dieses Workshops finden Sie hier.
|
|
| Termine (dates): |
Dieser Workshop findet an folgenden Terminen statt:
Der Zertifikatslehrgang endet am letzten Tag bei Präsenzdurchführungen um 14:00 und bei Onlinedurchführungen um 13:00 Uhr.
|
|
|
| Inhalte (agenda): |
- Modul 1: Einführung in Python für Data Science und KI
- Kurze Einführung in die Basiselemente von Python (Variablen, Funktionen, Schleifen, etc.) anhand einfacher Beispiele
- Einführung in Pythons Module zur Erweiterung des Funktionsumfangs (Module installieren mit pip, Module wie: os, NumPy, Matplotlib anhand von Beispielen einführen)
- Einführung in die Datenmanipulation und Visualisierung mit pandas und matplotlib anhand leicht verständlicher Datensätze
- Zusammenfassung und Diskussion wie sich das Gelernte auf den eigenen Kontext anwenden lässt
- Modul 2: Einführung in die Datenextraktion und Datenaufbereitung
- Verarbeiten von Textdateien wie Logs, CSV und Excel mit Pandas und Regex
- Einlesen von Daten aus Datenbanken, inklusive SQL und NoSQL
- Auslesen von Webseiten mit BeautifulSoup und Requests
- Datenextraktion aus weiteren Formaten wie PDF, Word und aus Bildern mit OCR-Techniken
- Techniken zur Datenaufbereitung und Bereinigung mit Pandas (einschließlich Datenmanipulation, Datentransformation und Fehlerbehandlung)
- Best Practices
- Zusammenfassung und Diskussion wie sich das Gelernte auf den eigenen Kontext anwenden lässt
- Modul 3: Einführung in Machine Learning
- Einführung in Machine Learning: Begriffe, Problembeschreibungen und Anwendungsfälle (Klassifikation, Regression, Vorhersage, etc.)
- Python-Tools für Machine Learning: Einführung in die Nutzung von Python-Paketen wie pandas und scikit-learn zur Implementierung von Machine Learning-Techniken
- Klassifikationstechniken: Einführung in verschiedene Klassifikationstechniken, wie z.B. Random Forests, kNN, etc., und deren Anwendung auf Use Cases
- Regressionstechniken: Einführung in verschiedene Regressionstechniken, wie z.B. Linear Regression, und deren Anwendung auf Use Cases
- Zusammenfassung und Diskussion wie sich das Gelernte im eigenen Kontext anwenden lässt
- Modul 4: Einführung in Deep Learning und KI
- Einführung in neuronale Netze und Deep Learning
- Wichtige Konzepte: Künstliche Neurone, Gewichte, Training und Architektur
- Python und Bibliotheken für Deep Learning: TensorFlow und Keras
- Implementierung einfacher neuronaler Netze in verschiedenen Anwendungsszenarien
- Nutzung von vortrainierten Netzen (TensorFlow Hub) und Transfer Learning
- Praktische Beispiele und Übungen zum Entwerfen, Anpassen und Trainieren von Modellen
- Zusammenfassung und Diskussion, wie sich das gelernte auf den eigenen Kontext übertragen lässt
|
|
|
