fbpx
1 + 2 level

Künstliche Intelligenz

Künstliche Intelligenz umfasst die Entwicklung von Systemen, die in der Lage sind, Aufgaben zu erfüllen, die normalerweise menschliche Intelligenz erfordern. Jetzt können diese Systeme routinemäßiges, nicht-kreatives Verhalten imitieren und bestimmte Prozesse automatisieren. Das Wissen über die KI, so der Name der Technologie der Zukunft, verschafft dem Spezialisten einen enormen Vorteil. Die KI-Technologie, die auf eine lange Geschichte zurückblicken kann, wächst und verändert sich immer noch ständig. Im Bereich der künstlichen Intelligenz liegen riesige Chancen – schließlich kann sie die Fähigkeiten eines Menschen auf eine Weise erweitern, die heute noch schwer vorstellbar ist.

  • 6047€
    Das Durchschnittsgehalt eines Spezialisten für Künstliche Intelligenz in Europa
  • 97%
    Spezialisten für Künstliche Intelligenz in Europa sind mit ihrer Arbeit zufrieden
  • 81%
    Studenten schließen den Studiengang Künstliche Intelligenz erfolgreich ab

Beschäftigungsmöglichkeiten

Programm

  • 1 Thema
  • 2 Thema
  • 3 Thema
  • 4 Thema
  • 5 Thema
  • 6 Thema
  • 7 Thema
  • 8 Thema
  • 9 Thema
  • 10 Thema

Python-Crashkurs

Wir beginnen den Kurs mit einem Python-Crashkurs. Wir stellen sicher, dass jeder Schüler über die grundlegenden Python-Kenntnisse verfügt, die für die Fortsetzung des Kurses erforderlich sind. Wir behandeln die Sprachsyntax, Iteratoren, Generatoren, Verständnisse, objektorientierte Programmiermuster, Algorithmen und Datenstrukturen.

Numerisches Python mit Numpy

In diesem Abschnitt erfahren Sie, wie Sie numerische Informationen in Python mit der Numpy-Bibliothek behandeln. Wir werden uns mit zwei der wichtigsten Data-Science-Konzepte befassen – Code-Vektorisierung und Broadcasting sowie Numpy-Array-Methoden und -Operationen.

Tabellarische Datenanalyse mit Pandas

In diesem Teil des Kurses lernen wir, wie man die Pandas-Bibliothek verwendet, um mit tabellarischen Daten zu arbeiten. Wir werden lernen, wie man Pandas-Datenrahmen erstellt, schreibt, liest und indiziert. Wir lernen auch Dataframe-Methoden kennen und wie man sie für die Analyse und Visualisierung von Tabellendaten verwendet.

Grundlagen des maschinellen Lernens

In diesem Abschnitt lernen wir die Grundlagen des maschinellen Lernens kennen. Wir werden uns auf Random Forests konzentrieren – einen der leistungsfähigsten und vielseitigsten Algorithmen des maschinellen Lernens. Wir lernen auch, wie Sie Ihre Daten untersuchen, Ihre Modelle validieren, mit fehlenden Werten umgehen und andere wichtige Dinge des maschinellen Lernens.

Einführung in Deep Learning

In diesem Abschnitt lernen wir die Grundlagen des Deep Learning kennen. Wir lernen die Arten von neuronalen Netzen, Aktivierungsfunktionen, Verlustfunktionen und Optimierern kennen. Wir werden auch einige Zeit damit verbringen, mehr über die aktuellen Anwendungen von Deep Learning in der künstlichen Intelligenz zu erfahren und warum sie hinter der aktuellen Revolution der künstlichen Intelligenz stehen.

Regression mit neuronalen Netzen

In this section we will start tackling the most important and the most useful application of artificial intelligence – computer vision. We will concentrate our attention to convolutional neural networks. The main focus of this section are the portfolio projects: you will build image classifiers with vastly different architectures, formats and number of classes. While working on the projects you’ll learn the most advanced architectures, and will practice the most modern training methods.

Bild-Klassifizierung

In diesem Abschnitt werden wir uns mit der wichtigsten und nützlichsten Anwendung der künstlichen Intelligenz befassen – Computer Vision. Wir werden unsere Aufmerksamkeit auf Convolutional Neural Networks konzentrieren. Das Hauptaugenmerk dieses Abschnitts liegt auf den Portfolioprojekten: Sie erstellen Bildklassifikatoren mit sehr unterschiedlichen Architekturen, Formaten und der Anzahl von Klassen. Während der Arbeit an den Projekten lernst du die fortschrittlichsten Architekturen kennen und übst die modernsten Trainingsmethoden.

Inverse Bildersuche

In diesem Abschnitt des Kurses werden wir tiefer in das maschinelle Sehen eintauchen und ein umgekehrtes Bildsuchmodell erstellen, das in der Lage ist, ähnliche Elemente wie die vom Benutzer bereitgestellten zu finden. Dieses Projekt wird uns helfen, die zugrunde liegende Bedeutung der Gewichtungen in den Deep-Learning-Modellen zu verstehen und uns auf die Abschnitte Natural Language Processing und Recommender Systems vorzubereiten

Sequentielle Datenanalyse

Endlich ist es an der Zeit, etwas Geld zu verdienen! Wir werden versuchen, Börsenbewegungen mit Hilfe rekurrenter neuronaler Netze vorherzusagen. Während der Arbeit an diesem Portfolioprojekt werden wir die Unterschiede zwischen rekurrenten neuronalen Netzen, langen Kurzzeitgedächtnisnetzen und Gated Recurrent Units kennenlernen, wann jede dieser Architekturen verwendet werden sollte und welche Stärken und Schwächen sie haben.

Verarbeitung natürlicher Sprache

In diesem Abschnitt erfahren wir, wie neuronale Netze die Repräsentationen natürlicher Sprache lernen. Während die Verarbeitung natürlicher Sprache (NLP) für uns völlig neu ist, werden wir die bekannten wiederkehrenden neuronalen Netze verwenden, um dieses Problem anzugehen. Wir lernen die wichtigsten NLP-Konzepte kennen und erstellen daraus zwei NLP-Portfolioprojekte.

Empfehlungssysteme

In diesem Abschnitt des Kurses werden wir ein Empfehlungssystem aufbauen. Empfehlungssysteme sind zwar nicht neu, haben aber mit dem Aufkommen der Deep-Learning-Modelle eine enorme Verbesserung der Genauigkeit erfahren. Während wir an den Empfehlungssystemen arbeiten, werden wir etwas über Einbettungen und kollaboratives Filtern lernen.

Generatives Deep Learning

In diesem Abschnitt werden wir noch einmal auf Computer Vision zurückkommen. Wir werden etwas über generative Deep-Learning-Modelle lernen und ein Convolutional Neural Network erstellen, das in der Lage ist, Bilder zu erzeugen, auch bekannt als Deep Dreaming.

Fortgeschrittenes maschinelles Sehen

In diesem Abschnitt konzentrieren wir uns auf die fortgeschrittenen Computer-Vision-Themen wie Objekterkennung und -segmentierung. Sie lernen, wie Sie modernste Computer-Vision-Algorithmen erstellen und anwenden.

Capstone-Projekt

Im letzten Teil des Kurses arbeiten Sie an Ihrem Abschlussprojekt. Sie werden in der Lage sein, alles, was Sie während des Kurses gelernt haben, anzuwenden, um ein großartiges KI-Projekt zu erstellen. Während Sie an dem Projekt arbeiten, überprüfen wir auch Ihr Github-Portfolio, Ihr LinkedIn-Profil und führen Vorstellungsgespräche durch, um Sie auf eine Stelle als Ingenieur für Deep Learning/Machine Learning/Künstliche Intelligenz vorzubereiten.

Soft Skills

Lebenslauf, LinkedIn, Vorstellungsgesprächs-Workshop, individuelle Tätigkeiten und Honorare, Kompetenzen eines IT-Spezialisten

Dozenten

Unser Dozententeam ist eine Mischung aus verschiedenen IT-Spezialisten. Einige, wie Superhelden, nehmen tagsüber Top-Positionen in ihren Unternehmen ein und beantworten abends Studentenanrufe, während andere als Freiberufler arbeiten und täglich zwischen Kunden und Studenten jonglieren 🦸. Aber sie sind alle zu 100% bereit mit dem Wissen und der Erfahrung, Ihnen zu helfen! 🧑 🎓

Künstliche Intelligenz

Fabio Ferreira

Machine Learning Engineer @ZF Group

Künstliche Intelligenz

Gustav von Zitzewitz

Senior Machine Learning Engineer @DataRobot

Kurskalender

Period

5. Mai - 25. November

Zeit

18:00-22:00 CET

Duration

504 Stunden

Preis

4192.62

Rechner

FAQ

Wir empfehlen Ihnen, Ihren eigenen Computer zu benutzen, da einige Aufgaben zu Hause erledigt werden müssen und es einfacher ist, mit Geräten zu arbeiten, an die Sie bereits gewöhnt sind. Alle für die Ausbildung erforderliche Software und Lizenzen werden den Studenten der Akademie KOSTENLOS zur Verfügung gestellt.

Kontaktieren Sie uns!








    Programme downloaden




      Bezahlen Sie, nachdem Sie einen Job bekommen haben! 🥳

      Finden Sie die für Sie am besten geeigneten Kurse. Mehr