KI - Künstliche Intelligenz (AZAV)

Programming in Python

Ziel des ersten Teils ist, dass die Teilnehmenden die Elemente und Funktionalitäten der Sprache Python an praktischen Programmierbeispielen analysieren, entwickeln und umsetzen können. Dabei lernen sie die Performanceauswirkungen unterschiedlicher Implementierungsansätze zu beurteilen sowie eigenständig Optimierungen durchzuführen und zu entwerfen. Sie sind außerdem in der Lage, fortgeschrittene Programmiertechniken zu prüfen und anzuwenden, die über die in der Veranstaltung behandelten Techniken hinausgehen.

Big Data & Datenbanken

Die Teilnehmenden werden befähigt, Big Data-Technologien und Datenbanken zu konzipieren und zu beurteilen. Die Teilnehmenden sind in der Lage, beim Entwerfen der Datenbanken methodisch und strukturiert vorzugehen und ihr Handeln im Bereich Big Data zu planen. Sie können den Einsatz von Big Data-Technologien und Datenbanken dem
Management vorstellen und mit IT-Spezialisten debattieren.

Tools/Programmiersprache: SQL, NoSQL Dialekte

Methoden der KI (Englisch) 

Die Teilnehmenden kennen und verstehen die Konzepte des maschinellen Lernens. Sie können den Grundaufbau und Variationen der Verfahren einordnen. Sie verstehen den Prozess zum Aufbau qualitativ hochwertiger Modelle und können entsprechende Weichenstellungen definieren. Sie können diese Modelle trainieren und ihre Leistung verlässlich analysieren.

Programming in Python

• Einführung in Python
• Datenstrukturen
• Kontrollstrukturen
• Allgemeine imperative Programmierkonzepte
• Objektorientierte Programmierung
• Relevante AI Programmbibliotheken und –tools
• Beispiele: Anaconda, Jupyter Notebook, NumPy, Pandas, and Matplotlib
• Spezifische Datenstrukturen
• Datenvisualisierung Python
• Einsatz von Tools für die Datenanalyse

 Big Data & Datenbanken 

• Definition und Eigenschaften von Big Data
• Relationale Datenbanken
• Datenverteilung
• Key-Value Stores
• Dokumentenbasierte Datenbanken
• Graphdatenbanken
• Verteilte Datenverarbeitung

Methoden der KI (Englisch)

• Introduction: What is Machine Learning? Building an understanding of what constitutes ML, beyond marketing buzzwords.
• Introduction: Python & Machine Learning: Learning the basics of a programming language ubiquitous in Data Analytics.
• CRISP-DM: A process to develop ML-Solutions: Quality and reproducibility built into this standardized, encompassing
  approach.
• Modelling – general procedure & principles explained using regression: Creating models with low bias and high precision by introducing additional steps.
• Methods: The core of any ML solution, learning methods for prediction.
• Ensemble Methods: Improving on the predictive accuracy by applying meta models.