Phase 1: Grundlagen der KI & Python für Data Science
- Umgang mit der Bash-Konsole und Versionskontrolle mit Git und GitHub.
- Python-Basics in Kombination mit NumPy, Pandas und Matplotlib.
- Daten analysieren und visualisieren, erste Hypothesen entwickeln und eine explorative Datenanalyse durchführen – abgeschlossen mit einem Mini-Projekt im Team.
Phase 2: Überwachtes Lernen – Klassifikation
- Überblick über KI, Machine Learning und Deep Learning sowie die Grundlagen des überwachten Lernens.
- Ein Klassifikationsmodell mit scikit-learn entwickeln und durch Feature Engineering und Hyperparameter-Tuning verbessern.
- Modelle mit gängigen Metriken evaluieren – im Projekt ein Vorhersagemodell zur Überlebenschance auf der Titanic.
Phase 3: Überwachtes Lernen – Regression
- Mit Zeitdaten arbeiten, lineare Regression und Regularisierung einsetzen.
- Methoden zur Vermeidung von Overfitting kennenlernen und den Gradientenabstieg als zentrales Lernprinzip verstehen.
- Fundiert mit Python-Funktionen arbeiten – im Projekt eine reale Nachfrageprognose für Bikesharing.
Phase 4: Advanced Machine Learning & unüberwachtes Lernen
- Entscheidungsbäume, Random Forests sowie Bagging- und Boosting-Methoden wie XGBoost.
- Ensemble-Techniken, Klassengleichgewicht und Modellvergleich.
- Unüberwachtes Lernen mit K-Means und hierarchischem Clustering sowie PCA zur Dimensionsreduktion – angewandt auf reale Business Cases.
Phase 5: Deep Learning & CNNs
- Den Aufbau künstlicher neuronaler Netze verstehen und mit TensorFlow und Keras implementieren.
- Backpropagation, Trainingsstrategien und Convolutional Neural Networks.
- Mit Transfer Learning ein Bildklassifizierungsmodell auf Basis bestehender Architekturen entwickeln.
Phase 6: NLP, LLMs & KI-Agenten
- Klassische NLP-Verfahren wie Tokenisierung, TF-IDF und Sentimentanalyse.
- Moderne Sprachmodelle wie BERT und GPT verstehen und einsetzen.
- Mit RAG, Fine-Tuning und Bibliotheken wie LangChain eigene KI-Agenten entwickeln – etwa einen intelligenten FAQ-Bot oder ein Analysewerkzeug.
