Künstliche Intelligenz selbst programmieren

Künstliche Intelligenz selbst zu programmieren heißt, lernende Modelle nicht nur anzuwenden, sondern sie mit Python von der Datenvorbereitung bis zur Bewertung eigenständig zu bauen. Der Weg führt vom klassischen Machine Learning mit scikit-learn zu neuronalen Netzen in TensorFlow, also zu den beiden Verfahrensfamilien, aus denen KI-Modelle in der Datenanalyse überwiegend bestehen. Jeder Schritt wird in Code umgesetzt: Trainingsdaten aufbereiten, Modell definieren, trainieren, prüfen und verbessern.

Kompetenzziele

Überwachtes und unüberwachtes Lernen sowie Arten von Lernalgorithmen auseinanderhalten
Trainings- und Testdaten per SQL beziehen, bereinigen und mit pandas und NumPy aufbereiten
Klassifikations- und Prognosemodelle mit scikit-learn programmieren und per Kreuzvalidierung absichern
Neuronale Netze in TensorFlow mit passenden Schichten, Neuronen und Aktivierungsfunktionen aufbauen
Den Gradientenabstieg als Optimierungsverfahren einsetzen und Überanpassung erkennen
Genauigkeit und Fehlerrate messen und Modellergebnisse visualisieren

Themen und Zusammenhänge

Den Ausgangspunkt bilden Grundbegriffe des maschinellen Lernens: Merkmale und Zielgrößen, Training und Test sowie die Frage, wann ein Modell nur auswendig lernt, statt zu verallgemeinern. Mit Python, pandas und NumPy wird anschließend die Datenvorbereitung programmiert, denn jedes KI-Modell hängt an der Qualität seiner Trainingsdaten. Darauf baut das klassische Machine Learning auf: Mit scikit-learn entstehen erste Klassifikations- und Prognosemodelle, deren Verlässlichkeit auf unbekannten Daten überprüft wird. Der zweite Teil wendet sich dem Deep Learning zu, bei dem neuronale Netze schichtweise abstraktere Merkmale aus Daten gewinnen. In TensorFlow werden Netzarchitekturen definiert, Aktivierungsfunktionen wie ReLU und Sigmoid gewählt und das Training über Optimierungsverfahren gesteuert. KI programmieren lernen heißt dabei auch, Modellvarianten zu vergleichen und die Wahl so zu begründen, wie es die Modellentwicklung im Team verlangt. Am Ende steht ein selbst programmiertes Modell, dessen Ergebnisse mit Python-Visuals oder in Power BI aufbereitet werden.

Berufliche Perspektiven

Einsatzfelder liegen in Entwicklungsteams und Data-Science-Abteilungen, die KI-Modelle selbst entwickeln und trainieren:

KI-Entwickler:in bzw. AI Engineer für eigene Lernmodelle
Machine Learning Engineer für Modelltraining und Modellbewertung
Deep Learning Engineer bzw. Entwickler:in neuronaler Netze
Data Scientist mit Schwerpunkt Modellentwicklung

Allgemeine Informationen

Labels: KW44-2:neue Titel

Kategorie

Kursart: Weiterbildungsangebot
Systematik: KI-Entwicklungen, KI-Anwendungen
Keywords: Künstliche Intelligenz programmieren
Bildungsart: Fortbildung/Qualifizierung
Schulart: Einrichtung der beruflichen Weiterbildung

Gesamtkosten

Kosten: 2.000 €
Kosten Bemerkung: Die Kosten für den Kurs Künstliche Intelligenz selbst programmieren sind in Vollzeit und in Teilzeit identisch und beinhalten Schulungsunterlagen sowie Softwarelizenzen.

Abschluss & Zulassung

Abschlussart: Internes Trägerzertifikat: Künstliche Intelligenz selbst programmieren von Lutz + Grub
Abschlussbezeichnung: Künstliche Intelligenz selbst programmieren
Anrechnung: keine Angabe
Berechtigung: keine Angabe
Zusatzqualifikationen: keine Angabe
Prüfende Stelle: Eine interne Prüfungskommission ist für die Abnahme der Prüfung des Kurses Künstliche Intelligenz selbst programmieren zuständig.

Sonstiges

Zugang: Die Teilnahme am Kurs Künstliche Intelligenz selbst programmieren erfordert lediglich Interesse am Themengebiet. Besondere Vorkenntnisse sind nicht notwendig.
Zielgruppe: Künstliche Intelligenz als Berufsziel: Der Kurs Künstliche Intelligenz selbst programmieren richtet sich an alle Personen, die künftig in dem Bereich Künstliche Intelligenz arbeiten möchten.