Zielgruppe
- KI- & Softwareentwickler: Erweitern Sie Ihre Entwicklungskompetenzen, indem Sie KI-Techniken beherrschen und fortschrittliche KI-Systeme entwickeln.
- Machine-Learning-Enthusiasten: Wenden Sie Deep Learning, neuronale Netze und Natural Language Processing (NLP) auf reale KI-Herausforderungen an.
- Datenwissenschaftler: Erweitern Sie Ihr KI-Toolset mit Engineering-Techniken für die Entwicklung und Bereitstellung skalierbarer KI-Lösungen.
- IT-Spezialisten & Systemarchitekten: Integrieren Sie KI-Lösungen in bestehende Infrastrukturen und optimieren Sie dabei Leistung und Skalierbarkeit.
- Studierende & Berufseinsteiger: Entwickeln Sie gefragte Kompetenzen im Bereich KI-Engineering und bereiten Sie sich auf eine erfolgreiche Karriere im schnell wachsenden KI-Bereich vor.
Voraussetzungen
- Der Kurs AI+ Data Practitioner™ oder AI+ Developer Practitioner™ sollte abgeschlossen worden sein.
- Grundkenntnisse in der Python-Programmierung sind für praktische Übungen und Projektarbeiten erforderlich.
- Kenntnisse in Algebra auf Schulniveau sowie grundlegende Statistikkenntnisse werden vorausgesetzt.
- Ein grundlegendes Verständnis von Programmierkonzepten wie Variablen, Funktionen, Schleifen und Datenstrukturen wie Listen und Dictionaries ist erforderlich.
Kursziele
- KI-Systemdesign beherrschen: Entwickeln Sie die Fähigkeiten, fortschrittliche KI-Systeme für reale Anwendungsfälle zu konzipieren, zu implementieren und zu optimieren.
- Skalierbare KI-Lösungen entwickeln: Lernen Sie, skalierbare KI-Lösungen für Branchen wie Technologie, Finanzwesen und Gesundheitswesen zu erstellen.
- Komplexe Engineering-Herausforderungen meistern: Diese Zertifizierung vermittelt Ihnen die Fähigkeiten, Herausforderungen in den Bereichen KI-Architektur, neuronale Netze und Natural Language Processing (NLP) zu bewältigen.
- Zu KI-getriebenen Innovationen beitragen: Zertifizierte AI+ Engineer Practitioner™ entwickeln innovative KI-Lösungen, die Geschäftsprozesse verbessern und zukünftige Innovationen vorantreiben.
- Ihre Karriere im KI-Engineering voranbringen: Da die Nachfrage nach qualifizierten KI-Ingenieuren steigt, bietet Ihnen diese Zertifizierung einen Wettbewerbsvorteil auf dem Arbeitsmarkt.
Kursinhalt
TAG 1
- Kurseinführung
- Modul 1: Grundlagen der Künstlichen Intelligenz
- 1.1 Einführung in KI
- 1.2 Zentrale Konzepte und Techniken der KI
- 1.3 Ethische Aspekte
- Modul 2: Einführung in die KI-Architektur
- 2.1 Überblick über KI und ihre verschiedenen Anwendungsbereiche
- 2.2 Einführung in die KI-Architektur
- 2.3 Verständnis des KI-Entwicklungslebenszyklus
- 2.4 Praktische Übung: Einrichtung einer grundlegenden KI-Umgebung
- Modul 3: Grundlagen neuronaler Netze
- 3.1 Grundlagen neuronaler Netze
- 3.2 Aktivierungsfunktionen und ihre Rolle
- 3.3 Backpropagation und Optimierungsalgorithmen
- 3.4 Praktische Übung: Aufbau eines einfachen neuronalen Netzes mit einem Deep-Learning-Framework
- Modul 4: Anwendungen neuronaler Netze
- 4.1 Einführung in neuronale Netze für die Bildverarbeitung
- 4.2 Neuronale Netze für sequenzielle Daten
- 4.3 Praktische Implementierung neuronaler Netze
- Modul 5: Bedeutung von Large Language Models (LLM)
- 5.1 Einführung in Large Language Models
- 5.2 Gängige Large Language Models
- 5.3 Praktisches Fine-Tuning von Sprachmodellen
- 5.4 Praktische Übung: Fine-Tuning für die Textklassifikation
- Modul 6: Anwendung generativer KI
- 6.1 Einführung in Generative Adversarial Networks (GANs)
- 6.2 Anwendungen von Variational Autoencoders (VAEs)
- 6.3 Erzeugung realistischer Daten mithilfe generativer Modelle
- 6.4 Praktische Übung: Implementierung generativer Modelle für die Bildsynthese
- Modul 7: Natural Language Processing (NLP)
- 7.1 NLP in realen Anwendungsszenarien
- 7.2 Attention-Mechanismen und praktische Anwendung von Transformern
- 7.3 Vertieftes Verständnis von BERT für praktische NLP-Aufgaben
- 7.4 Praktische Übung: Aufbau praktischer NLP-Pipelines mit vortrainierten Modellen
- Modul 8: Transfer Learning mit Hugging Face
- 8.1 Überblick über Transfer Learning in der KI
- 8.2 Strategien und Techniken des Transfer Learnings
- 8.3 Praktische Übung: Implementierung von Transfer Learning mit Hugging-Face-Modellen für verschiedene Aufgaben
- Modul 9: Entwicklung anspruchsvoller grafischer Benutzeroberflächen für KI-Lösungen
- 9.1 Überblick über GUI-basierte KI-Anwendungen
- 9.2 Webbasierte Frameworks
- 9.3 Frameworks für Desktop-Anwendungen
- Modul 10: KI-Kommunikation und Deployment-Pipeline
- 10.1 Effektive Kommunikation von KI-Ergebnissen an nicht-technische Stakeholder
- 10.2 Aufbau einer Deployment-Pipeline für KI-Modelle
- 10.3 Entwicklung von Prototypen auf Grundlage von Kundenanforderungen
- 10.4 Praktische Übung: Deployment
- Optionales Modul: KI-Agenten im Engineering
- 1. Verständnis von KI-Agenten
- 2. Fallstudien
- 3. Praktische Übungen mit KI-Agenten
Deutschland