Einführung in Künstliche Intelligenz: Geschichte, Konzepte und Anwendungsbereiche
Maschinelles Lernen: Grundlagen, Algorithmen und Anwendungsfälle
Neuronale Netze und Deep Learning: Aufbau, Funktionsweise und moderne Architekturen
Natürliche Sprachverarbeitung (NLP): Techniken, Modelle und Anwendungen in Text- und Sprachanalyse
Computer Vision: Bildverarbeitung, Objekterkennung und visuelle Musteranalyse
Entscheidungsfindung und Expertensysteme: Regelbasierte Systeme, Wissensrepräsentation und Bayes’sche Netze
Reinforcement Learning: Theorie, Algorithmen und praktische Anwendungen in Robotik und Spielen
KI-Entwicklung in der Praxis: Werkzeuge, Frameworks und Implementierung von Modellen
Herausforderungen und Grenzen der KI: Bias, Fairness, Erklärbarkeit und ethische Fragestellungen
Zukunftsperspektiven der KI: Neue Technologien, gesellschaftliche Auswirkungen und Trends in der KI-Forschung
Qualifikationsziel
Nach Abschluss des Kurses verfügen die Teilnehmenden über ein fundiertes Verständnis der grundlegenden Konzepte, Methoden und Anwendungsbereiche der Künstlichen Intelligenz. Sie können die Prinzipien des maschinellen Lernens, neuronaler Netze und des Deep Learning erklären sowie verstehen einfache KI-Modelle mit gängigen Frameworks wie TensorFlow oder PyTorch. Darüber hinaus beherrschen sie die Grundlagen der natürlichen Sprachverarbeitung und der Computer Vision und können deren Einsatzmöglichkeiten in verschiedenen Bereichen bewerten.
Die Teilnehmenden sind zudem in der Lage, Entscheidungsfindungsprozesse in KI-gestützten Systemen zu verstehen, regelbasierte Systeme und Wissensrepräsentation zu analysieren und erste Reinforcement-Learning-Ansätze anzuwenden. Sie können die Chancen und Risiken von KI-Technologien kritisch reflektieren, insbesondere in Bezug auf Bias, Fairness, Erklärbarkeit und gesellschaftliche Auswirkungen. Abschließend sind sie in der Lage, aktuelle Entwicklungen und Zukunftstrends in der KI einzuordnen und deren Bedeutung für Wirtschaft und Gesellschaft zu bewerten.