Künstliche Intelligenz (KI)

Dieses Modul baut auf den Grundlagen auf und führt in die objektorientierte Programmierung ein. Dazu gehören Klassen, Methoden, Vererbung und andere verschiedene Funktionen im Zusammenhang mit Objekten.

In diesem Modul wird die objektorientierte Programmierung mit Polymorphismus, Abstraktion und anderen objektorientierten Prinzipien erweitert.

Nach dem Erlernen der Python-Grundlagen gehen wir zu einem besseren Verständnis von Python über, mit Themen wie der Arbeit mit Dateien und Katalogen, so dass die Schüler lernen, wie man Daten persistent aufbewahrt und wie man mit Ausnahmen umgeht. Wir stellen auch kurz Generatoren, Iteratoren und Dekoratoren vor.

Um das Verständnis der Studierenden zu erweitern, werden wir sie in GitHub einführen, damit sie ihre Projekte speichern und in Teams arbeiten können. Dieses Modul beinhaltet auch eine Gruppenaufgabe aus den vorherigen Themen, während GitHub verwendet wird. Dazu gehört auch eine kurze Einführung in pip und wie man es benutzt.

Wir führen die Schüler in das grundlegende Konzept einer Datenbank ein, wie man sie einrichtet und wie man SQL-Abfragen verwendet, um Daten zu manipulieren.

Dieses Modul baut auf dem ersten Modul auf, indem es fortgeschrittene SQL-Abfragen wie Joins, Aggregationen und andere Konzepte vorstellt.

In diesem Modul lernen die Studierenden, wie sie Datenbanken in ihre bestehenden Python-Projekte implementieren und wie sie ORM-Software wie SQL Alchemy verwenden können, um ihre Datenbank zu erreichen und direkt mit ihr zu arbeiten. Außerdem wird eine Einführung in Alembic und Migrationen gegeben.

Beinhaltet eine Einführung in Flask und Webentwicklung. Dieses Modul enthält einen Crashkurs in HTML und CSS.

Die Studenten arbeiten weiter mit Flask und kombinieren Datenbanken, Objekte und alles, was sie bis zu diesem Zeitpunkt gelernt haben, um ihr Abschlussprojekt fertigzustellen, bevor sie mit den KI-Modulen beginnen.

Die Schüler lernen zunächst die Hintergründe der Datenanalyse und -vorverarbeitung kennen. Außerdem werden sie in die Bibliotheken NumPy und Pandas eingeführt.

Die Studierenden lernen Bibliotheken wie matplotlib und seaborn kennen.

Die Schüler werden in das maschinelle Lernen eingeführt und erfahren, was es mit sich bringt. Sie lernen die wichtigsten Schlüsselwörter und Konzepte kennen. In diesem Modul lernen sie, was SL, unüberwachtes Lernen, was Rekursion, Klassifizierung und verschiedene andere Themen sind.

Die Teilnehmer tauchen tiefer in SL ein und lernen die grundlegendsten Algorithmen wie K-NN, SVM, Entscheidungsbäume und verschiedene andere einfache Algorithmen.

Die Studierenden lernen unüberwachte Lernmethoden wie PCA und K-means kennen und erfahren, was Clustering bedeutet und warum unüberwachtes Lernen notwendig ist.

Die Studierenden erhalten eine kurze Einführung in das Reinforcement Learning, seine Vor- und Nachteile und wie es auf reale Probleme angewendet werden kann.

Die Studierenden lernen Neuronale Netze wie FFN, CNN, RNN kennen. Und ihre Untertypen und der Zweck jedes dieser Typen. Konzepte wie Backpropagation, Gradient und verschiedene andere notwendige Kenntnisse für Deep Learning.

Die Studierenden vertiefen ihre Kenntnisse über neuronale Netze und lernen dabei ResNets, LSTM und GRU-Algorithmen kennen.

Die Schüler müssen alles, was sie im Rahmen des Abschlussprojekts gelernt haben, anwenden. Dazu gehören grundlegende Python-Kenntnisse und Deep Learning, um ein neues Modell zu erstellen, das ein Problem ihrer Wahl löst.

Lebenslauf, LinkedIn, Workshops zum Vorstellungsgespräch, individuelle Aktivitäten und Honorare, IT-Fachkompetenzen.