Dieser Kurs dauert in Summe 4 Wochen 
im Ausmaß von 44 UE (UE = Unterrichtseinheit à 50min.)

Kosten: EUR 2.750,- (auch Ratenzahlung möglich zu je 5 Raten)

Umsatzsteuerbefreit gemäß § 6 Abs.1 Z11A UStG.

In diesem intensiven 4-Wochen-Lehrgang wirst du deine Fähigkeiten in künstlicher Intelligenz auf das nächste Level bringen. Modul 3 konzentriert sich auf fortgeschrittene Techniken des Machine Learnings, darunter komplexe Algorithmen und Modelloptimierung. Du lernst, wie du größere und komplexere Datensätze effizient verarbeitest und fortgeschrittene Modellierungsstrategien anwendest.

Modul 4 führt dich tief in das Deep Learning ein, wo du neuronale Netze von Grund auf aufbaust, trainierst und optimierst. Du wirst praxisnah erfahren, wie Convolutional Neural Networks (CNNs) und Artificial Neural Networks (ANNs) funktionieren und wie sie in realen Projekten eingesetzt werden können. Der Fokus liegt auf dem Verständnis der Architektur von ANN-Modellen und deren Anwendung in verschiedenen Szenarien, wie Bild- und Sprachverarbeitung. Dieser Lehrgang ist ideal für alle, die bereits ein Grundverständnis von Machine Learning haben und nun tiefere Einblicke in die Welt der künstlichen Intelligenz gewinnen möchten.

Modul 3: Machine Learning – Supervised und Unsupervised learning (Woche 1-2)

Lektion 1: Einführung in Überwachtes Lernen
   - Grundkonzepte des überwachten Lernens
   - Trainings- und Testdatensätze

Lektion 2: Regression
   - Lineare Regression: Modellaufbau, Training und Evaluierung
   - Multiple Regression: Umgang mit mehreren Variablen
   - Regularisierungstechniken: Ridge und Lasso Regression

Lektion 3: Klassifikation
   - Grundlagen der Klassifikation: Entscheidungsbäume, k-Nächste Nachbarn (k-NN)
   - Support Vector Machines (SVM) und Naive Bayes
   - Evaluierung von Klassifikationsmodellen: Genauigkeit, Präzision, Recall, F1-Score

Lektion 4: Einführung in Unüberwachtes Lernen
   - Grundkonzepte des unüberwachten Lernens
   - Unterschied zwischen überwachten und unüberwachten Lernmethoden

Lektion 5: Clustering
   - K-Means Clustering: Funktionsweise, Auswahl der Anzahl der Cluster
   - Hierarchisches Clustering: Agglomerative und Divisive Methoden
   - Evaluierung von Clustering-Ergebnissen

Lektion 6: Dimensionsreduktion
   - Principal Component Analysis (PCA): Theorie und Anwendung

Lektion 7: Abschlussprojekt
   - Vollständige Analyse eines Datensatzes unter Verwendung von sowohl überwachten als auch unüberwachten Lernmethoden
   - Erstellung eines umfassenden Berichts mit den Ergebnissen und Visualisierungen

Materialien und Ressourcen:
- Beispiele und Fallstudien aus verschiedenen Anwendungsbereichen
- Literatur und Online-Ressourcen zur Vertiefung der Themen

Modul 4: Deep Learning Basics (Woche 3-4)

Lektion 8: Einführung in Deep Learning
   - Was ist Deep Learning und wie unterscheidet es sich von traditionellem Machine Learning?
   - Überblick über neuronale Netzwerke

Lektion 9: Künstliche Neuronale Netzwerke (ANNs)
   - Aufbau und Funktionsweise von ANNs
   - Aktivierungsfunktionen: Sigmoid, ReLU, Tanh
   - Forward Propagation und Backpropagation
   - Optimierungsverfahren: Gradient Descent und Varianten

Lektion 10: Implementierung eines einfachen neuronalen Netzwerks
   - Aufbau und Training eines Feedforward Neural Networks
   - Verwendung von Frameworks wie TensorFlow oder PyTorch

Lektion 11: Convolutional Neural Networks (CNNs)
   - Grundlagen und Architektur von CNNs
   - Convolutional Layers, Pooling Layers, und Fully Connected Layers
   - Anwendungsgebiete: Bildklassifikation und Objekterkennung

Lektion 12: Recurrent Neural Networks (RNNs)
   - Einführung in RNNs und deren Struktur
   - Long Short-Term Memory (LSTM) und Gated Recurrent Units (GRUs)
   - Anwendungsgebiete: Zeitreihenanalyse und natürliche Sprachverarbeitung

Praktische Übung:
   - Implementierung und Training eines CNNs für die Bildklassifikation

Abschlussprojekt
   - Anwendung der gelernten Konzepte auf ein komplexes Problem
   - Erstellung und Evaluierung eines Deep-Learning-Modells für ein ausgewähltes Projekt

Materialien und Ressourcen:
- Beispiele und Datensätze für praktische Anwendungen
- Literatur und Online-Ressourcen zur Vertiefung und Weiterführung der Themen

- Grundkenntnisse in Python
- Erfahrung mit Pandas und NumPy
- Basiswissen in Statistik und Machine Learning

Diese Kurs dauert in Summe 4 Wochen 
im Ausmaß von 44 UE (UE = Unterrichtseinheit à 50min.)

Kurszeitenvorschlag*
Montag: 09:00 - 12:30 Uhr
Mittwoch: 09:00 - 12:30 Uhr
Freitag: 09:00 - 12:00 Uhr

*Die Kurszeiten werden in der Regel gemeinsam mit dem Trainingspersonal in der Gruppe festgelegt, daher kann es zu Abweichungen kommen. Hier wird darauf geachtet, dass die Kriterien der Förderstellen nach wie vor eingehalten werden.

Selbstlernzeiten:
Für alle unsere Kurs- bzw. Lehrgangsteilnehmer*innen bieten wir die Möglichkeit an Selbstlernzeiten in unserem Institut wahrzunehmen. Wir empfehlen sich gleich von Anfang an parallel zum Kurs / Lehrgang nochmals mit dem Thema zu beschäftigen. Damit Sie Ihre Kenntnisse in der jeweiligen Software festigen können, ist es sehr wichtig das frisch Erlernte auch gleich anzuwenden. Erst bei der Wiederholung realisieren Sie, ob Sie das Thema anwenden können oder ob es noch Probleme gibt, die Sie beim nächsten Kurs- bzw. Lehrgangstermin mit der Trainingspersonal besprechen können. Hierzu stehen Ihnen unsere PCs und Lizenzen zur Verfügung.