Inhalt

Von 0 auf KI in einer Woche! Das AI Bootcap vermittelt Ihnen nicht nur die Theorie hinter künstlicher Intelligenz. sondern zeigt Ihnen auch, wie Sie mit modernen No-Code Tools auch ohne Programmierkenntnisse selbst KI in die Praxis bringen. Sie schließen ab mit dem KI Zertifikat.

Künstliche Intelligenz verändert aktuell grundlegend unsere Arbeitswelt und Gesellschaft. Das AI Bootcamp versetzt Sie in die Lage, dabei nicht nur Zuschauer zu sein: Sie durchdringen die Technologie mit ihren Chancen und Risiken, bringen Sie selbst zum Einsatz, steigern Ihre Produktivität oder nutzen Maschinelles Lernen für Fragestellungen in Ihrem Arbeitsumfeld. Unsere Experten haben dabei die relevantesten Technologien aus Ihrer Praxiserfahrung ausgewählt und heben so in kurzer Zeit ihr Know-How auf ein neues Level.


Dauer: 5 Tage


Zielgruppe:
Alle, die ein tiefergehendes Verständnis von künstlicher Intelligenz entwickeln möchten und andererseits praktische Anwendungsfälle verstehen und selbst entwickeln möchten.


Vorkenntnisse:
Es werden keine Vorkenntnisse vorausgesetzt. Im Kurs wird nicht programmiert, d.h. es werden explizit auch keine Programmierkenntnisse vorausgesetzt. Die Lernkurve steigt über die Woche hinweg immer weiter an.


Coding-Anteil:
0 % Coding. In diesem Kurs müssen Sie nicht selbst programmieren. Wir setzen in den Praxisprojekten auf morderne No-Code AI Tools, mit denen Sie ohne Programmierkenntnisse Ihr Wissen in die Praxis bringen.


Zertifizierung:
Kursbegleitend finden Wissensabfragen in Multiple-Choice-Tests statt und Sie absolvieren mehrere Praxisprojekte. Mit dem erfolgreichen Abschluss dieser Bausteine zertifizieren wir Ihre KI-Expertise mit dem KI Zertifikat.


Tag 1: Grundlagen der künstlichen Intelligenz

Montag

Am ersten Tag der Schulung lernen Sie die Grundlagen von KI kennen: Was verbirgt sich hinter Neuronalen Netzen, Deep Learning oder Generative AI, wie ist das Feld entstanden, welche Tools können Sie einsetzen und welche gesellschaftliche Dimension hat der Umbruch durch KI?

Der Kurs startet dabei so, dass Sie auch ohne Vorkenntnisse gut folgen können. Aktuelle Entwicklungen werden ebenso behandelt wie praktische Einsatzmöglichkeiten, sowohl im Unternehmen insgesamt als auch in Ihrer persönlichen Arbeit. In Praxisblöcken wenden Sie das Erlernte direkt an. Mit diesen Praxisprojekten und Aufgaben im Multiple-Choice-Format erbringen Sie direkt ab dem ersten Tag Leistungen, die für die Zertifizierung am Ende der Woche zählen.

   Entstehung des Felds KI und aktuelle Entwicklungen
   Begriffe und Definitionen
   Machine Learning: Wie lernen Maschinen?
   Einführung in Deep Learning und dessen Teilgebiete: Image Recognition, Sequenzanalyse, Generative AI, Natural Language Processing, Large Language
   Models
   Prompt Engineering
   No-Code Tools für KI ohne Programmierung
   Praxis-Übungen

Tag 2: Machine Learning


Dienstag


Maschinelles Lernen steht im Fokus des zweiten Tages des Zertifikatskurses. Sie lernen die Funktionsweise unterschiedlicher Algorithmen des klassischen Machine Learnings für strukturierte Daten wählen passende Modelle zu unterschiedlichen Fragestellungen aus.

Das spannende an selbstlernenden Algorithmen ist ihre vielseitige Einsetzbarkeit in ganz unterschiedlichen Branchen und Fragestellungen. Wir haben diejenigen Modelle ausgewählt, die in der Unternehmenspraxis am häufigsten zum Einsatz kommen und dafür eine weltweite Umfrage unter Data Scientists ausgewertet.

   Überwachtes und unüberwachtes Lernen
   Lineare und logistische Regression
   Decision Trees, Random Forests und Boosted Trees
   Clustering-Methoden
   Wahl des richtigen Modells
   Overfitting erkennen
   Trustworthy AI
   Praxisprojekt Machine Learning

Tag 3: Neuronale Netze und Deep Learning

Mittwoch


Deep Learning ist der Teilbereich der künstlichen Intelligenz, in dem es in den letzten Jahren die größten Weiterentwicklungen gab: Algorithmen können Bilder, Text und Sprache erkennen oder auch generieren. Der dritte Tag des Seminars behandelt die wichtigsten Grundlagen dieser tiefen künstlichen neuronalen Netze, bevor Sie an den beiden Folgetagen unterschiedliche Spezialgebiete kennen lernen.

Neben der Theorie erstellen Sie im Tensorflow Playground Ihr erstes eigenes neuronales Netz und entwickeln ein Gefühl für dessen Verhalten. Anschließend lernen Sie komplexere No-Code Tools kennen, um Deep Learning in der Praxis ohne Programmierung zum Einsatz zu bringen.

   Tiefe neuronale Netze
   Funktionen, Anzahl und Größe der Layer
   Aktivierungsfunktionen
   Verlustfunktionen (Loss Function)
   Stochastischer Gradientenabstieg
   Backpropagation
   Praxisprojekt Deep Learning

Tag 4: Computer Vision und Image Recognition


Donnerstag


Der vierte Tag der Weiterbildung widmet sich allem was mit Bildern zu tun hat, mit einem Schwerpunkt auf Computer Vision. Sie lernen theoretischen Grundlagen wie Convolutional Neural Networks und bringen diese dann in einem Praxisprojekt zum Einsatz. Zum Abschluss wird die Thematik von Bild-Generierung und Deep Fakes beleuchtet.


Mit den am Vortag erlernten Grundlagen können Sie nun also tiefer in eine Spezialisierung des Deep Learning eintauchen. Im Praxisprojekt spielt das Thema Transfer Learning eine Rolle, da Sie auf vortrainierten Modellen aufsetzen können.

   Einführung in Computer Vision
   Anwendungsgebiete: Texterkennung, Objekterkennung, Szeneninterpretation
   Segmentierung, Klassifizierung, Lokalisierung und Objekterkennung
   Convolutional und Pooling Layer
   Transfer Learning
   Kurzimpuls Bild-Generierung und Deep Fakes
   Praxisprojekt Bild-Klassifikation

Tag 5: Generative KI und Large Language Models (LLM)


Freitag


Spracherkennung und -ausgabe sind schon seit einigen Jahren immer besser geworden, mit Generative AI und Large Language Models wie ChatGPT ist nun auch die Sprachgenerierung auf ein neues Level gehoben worden. Im letzten Tag des Workshops widmen wir uns intensiv diesem Thema.


Dabei behandeln wir zunächst die Grundlagen von Generativer KI und des Natural Language Processing. Wir lernen dann mit dem Attention-Mechanismus und Transformen wichtige Bestandteile von Großen Sprachmodellen (LLMs) kennen und behandeln anschließend deren Aufbau und Training. Auch hier Kommt das Gelernte in einem Praxisprojekt zum Einsatz, das ebenso wie die die letzten Multiple-Choice-Aufgaben für Ihr Zertifikat zum Abschluss der Weiterbildung zählt.

   Generative AI
   Natural Language Processing
   Attention-Mechanismus
   Transformer
   Pre-Trained Models
   Fine-Tuning
   Praxisprojekt Natural Language Processing

Sonstiges Merkmal

Grundlagen (Lernzielniveau)