- Einführung in KI und Software-Konzepte: Überblick und Bedeutung
- Was sind KI und grundlegende Software-Konzepte und warum sind sie wichtig?
- Definition und Hintergrund: Unterschiedliche Ansätze und Anwendungen von KI.
- Bedeutung von KI und Software-Konzepte in der modernen IT-Welt.
- Grundlegende Konzepte der KI-Softwarearchitektur
- Überblick über Softwarearchitektur: Monolithische Architektur vs. Microservices.
- Hauptkomponenten einer KI-Softwareanwendung: Datenverarbeitung, Modelltraining, Inferenz.
- Grundlagen von KI und maschinellem Lernen
- Definition und Aufgaben von KI und maschinellem Lernen
- Unterschiedliche Arten von KI: Schwache KI, starke KI, Superintelligenz.
- Einführung in maschinelles Lernen: Überwachtes Lernen, unüberwachtes Lernen, Reinforcement Learning.
- Grundlagen von Datenverarbeitung und -management
- Datenvorbereitung: Datenerfassung, Datenbereinigung, Datenanreicherung.
- Datenmanagement: Datenbanken, Data Warehouses, Data Lakes.
- Einführung in neuronale Netze und Deep Learning
- Grundlagen neuronaler Netze: Perzeptron, Feedforward-Netze, Backpropagation.
- Einführung in Deep Learning: Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs).
- Grundlagen der Softwareentwicklung für KI
- Programmiersprachen und Frameworks für KI
- Beliebte Programmiersprachen: Python, R, Julia.
- Wichtige Frameworks und Bibliotheken: TensorFlow, Keras, PyTorch, Scikit-learn.
- Softwareentwicklungsprozesse für KI-Projekte
- Entwicklungsprozesse: Wasserfallmodell, agile Methoden, CRISP-DM (Cross-Industry Standard Process for Data Mining).
- Grundlagen der Versionskontrolle: Git, GitHub, GitLab.
- Einführung in KI-Algorithmen und -Modelle
- Übersicht über KI-Algorithmen: Lineare Regression, Entscheidungsbäume, k-Means-Clustering.
- Modelltraining und -bewertung: Trainingsdaten, Testdaten, Evaluierungsmethoden.
- Praxisübung 1: Erstellung eines einfachen KI-Modells
- Ziel der Übung: Verständnis der grundlegenden Konzepte der KI-Modellentwicklung und -bewertung.
- Projektbeschreibung: Entwicklung eines einfachen Modells zur Vorhersage von Hauspreisen.
- Anforderungen: Nutzung einer Programmiersprache (z.B. Python) und einer Bibliothek (z.B. Scikit-learn).
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einrichtung der Entwicklungsumgebung und Datenvorbereitung.
- Implementierung: Entwicklung und Training des Modells.
- Bewertung und Optimierung: Evaluierung der Modellleistung und Optimierung.
- Tools: Python, Scikit-learn, Jupyter Notebook.
- Ergebnisse und Präsentation:
- Präsentation des erstellten Modells.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
- Erweiterte Funktionen und Techniken in KI-Software
- Fortgeschrittene KI-Algorithmen und -Modelle
- Einführung in fortgeschrittene Algorithmen: Random Forests, Gradient Boosting Machines, Support Vector Machines.
- Deep Learning Modelle: GANs (Generative Adversarial Networks), Transfer Learning, Reinforcement Learning.
- Big Data und Skalierbarkeit in KI-Projekten
- Grundlagen von Big Data: Hadoop, Spark, NoSQL-Datenbanken.
- Skalierbare KI-Architekturen: Verteiltes Training, Cloud-Computing, Edge-Computing.
- Integration von KI in bestehende Systeme
- API-Entwicklung und -Integration für KI-Modelle
- Grundlagen von APIs: REST, GraphQL.
- Erstellung und Nutzung von KI-APIs: Entwicklung, Deployment und Dokumentation.
- CI/CD und DevOps für KI
- Einführung in CI/CD: Automatisierte Build-, Test- und Deployment-Prozesse.
- Tools und Plattformen: Jenkins, GitLab CI, GitHub Actions.
- Überwachung und Wartung von KI-Modellen
- Überwachungssysteme: Model Drift, Performance Monitoring.
- Wartungsstrategien: Retraining, Modellversionierung.
- Praxisübung 2: Entwicklung und Integration einer KI-API
- Ziel der Übung: Verständnis der Entwicklung und Integration einer KI-API.
- Projektbeschreibung: Erstellung einer RESTful API für ein Vorhersagemodell.
- Anforderungen: Nutzung einer Programmiersprache (z.B. Python) und eines Web-Frameworks (z.B. Django).
- Schritt-für-Schritt-Anleitung:
- Vorbereitung: Einrichtung der Entwicklungsumgebung und Modelltraining.
- Implementierung: Entwicklung der API-Endpunkte und Integration des Modells.
- Testen und Deployment: Überprüfung der API-Funktionalität und Deployment auf einer Cloud-Plattform.
- Tools: Python, Django, Docker, Heroku oder AWS.
- Ergebnisse und Präsentation:
- Präsentation der erstellten API.
- Diskussion und Feedback: Analyse der Ergebnisse und Verbesserungsvorschläge.
LernzieleAm Ende des Seminars sind die Teilnehmenden in der Lage, grundlegende und erweiterte Software-Konzepte im Bereich der KI effektiv zu nutzen, um leistungsstarke, skalierbare und benutzerfreundliche KI-Anwendungen zu entwickeln. Sie lernen, wie sie grundlegende und erweiterte Techniken zur Implementierung, Optimierung und Integration von KI-Software anwenden, um die Effizienz und Qualität ihrer Projekte zu verbessern.
ZielgruppenDieses Seminar richtet sich an angehende KI-Entwickler, Datenwissenschaftler, IT-Administratoren und technische Fachkräfte, die die grundlegenden und erweiterten Software-Konzepte im Bereich der KI bewerten und näher kennenlernen wollen. Grundlegende Programmierkenntnisse und ein Verständnis für IT-Konzepte sind erforderlich.
