Data Science: AI und ML in der Data Science

Data Science: KI und ML in der Datenwissenschaft
Dieser Kurs bietet eine umfassende Einführung in Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) in der Datenwissenschaft und behandelt grundlegende Techniken für die datengesteuerte Entscheidungsfindung. Die Teilnehmer sammeln praktische Erfahrungen mit Python, KI-Frameworks, ML-Algorithmen und realen KI-Anwendungen.
Kursmodule:

Einführung in Python für KI und ML

• Lernen Sie Python-Syntax, Schleifen und Funktionen für KI-Anwendungen kennen.
• Arbeiten Sie mit Python-Bibliotheken wie Pandas, NumPy und Scikit-learn.
• Richten Sie Python-Umgebungen mit Jupyter Notebooks und Anaconda ein.

Grundlagen der künstlichen Intelligenz (KI)

• Verstehen Sie KI-Konzepte, einschließlich überwachtes, unüberwachtes und bestärkendes Lernen.
• Erfahren Sie, wie KI in Computer Vision, NLP und Automatisierung eingesetzt wird.
• Erkunden Sie KI-Ethik, Bias-Minderung und reale KI-Anwendungen.

Grundlagen des maschinellen Lernens

• Unterscheiden Sie zwischen Klassifizierungs-, Regressions- und Clustering-Algorithmen.
• Erfahren Sie mehr über Entscheidungsbäume, Zufallswälder und Support-Vektor-Maschinen (SVMs).
• Wenden Sie Techniken zum Trainieren, Testen und Bewerten von Modellen an.

Tiefes Lernen und neuronale Netze

• Verstehen Sie künstliche neuronale Netze (ANNs) und ihre Komponenten.
• Arbeiten Sie mit TensorFlow und Keras für die Entwicklung von Deep-Learning-Modellen.
• Trainieren Sie konvolutionale neuronale Netze (CNNs) und rekurrente neuronale Netze (RNNs).

KI in der Praxis: Anwendungen in der realen Welt

• Erkunden Sie KI-Anwendungsfälle im Gesundheitswesen, im Finanzwesen und in Empfehlungssystemen.
• Arbeiten Sie an prädiktiven Analysen und Automatisierungslösungen.
• Verstehen Sie die Rolle der KI bei der datengesteuerten Entscheidungsfindung.

Überwachtes und unüberwachtes Lernen in der ML

• Implementieren Sie lineare Regression, logistische Regression und Clustering-Algorithmen.
• Arbeiten Sie mit K-Means-Clustering und hierarchischen Clustering-Techniken.
• Erfahren Sie mehr über Modelloptimierung und Hyperparameter-Tuning.

Modellbewertung und Leistungsoptimierung

• Verwenden Sie Kreuzvalidierung, Präzisions- und Rückrufmetriken sowie Verwirrungsmatrizen.
• Vermeiden Sie Über- und Unteranpassung mit Regularisierungstechniken.
• Lernen Sie die Rastersuche und die zufällige Suche zur Hyperparameter-Abstimmung kennen.

Praktische KI- und maschinelle Lernprojekte

• Arbeiten Sie mit realen Datensätzen für KI- und ML-Anwendungen.
• Trainieren Sie KI-gesteuerte Vorhersagemodelle für verschiedene Branchen.
• Setzen Sie durchgängige KI- und ML-Lösungen für Geschäftsanwendungen ein.