KI- und Data-Projekte: Grundlagenkurs für Machine Learning und Data Mining

• Einführung in das Lernen aus Daten
• Datentypen: strukturiert, unstrukturiert und Zeitreihen
• Der CRISP-DM-Prozess für Datenprojekte
• Data Mining im Unternehmenskontext: Ähnlichkeitsanalysen und Anwendungsfälle
• Data Preparation, Modelle & Werkzeuge (Clustering)
• Evaluation, Deployment sowie Aufwände & Risiken

• Regression und Klassifikation im Vergleich
• Ziele & Einsatzgebiete
• Data Preparation
• Erste Modelle: lineare Regression und Entscheidungsbäume
• Evaluation anhand geeigneter Metriken
• Deployment sowie Aufwand & Risiken

Nach einer gemeinsamen Reflexion der Inhalte aus den ersten Selbstlernphasen folgt eine Vertiefung der Inhalte mit praxisnahen Übungen und Anwendungsbeispielen.

• Funktionsweise von LLMs und Textgenerierung
• Decoding-Verfahren und Sampling
• Training und typische Herausforderungen
• Einsatzmöglichkeiten generativer KI im Unternehmen
• Prompt Engineering: Methoden, Grenzen und Best Practices
• Evaluation, Deployment & Umgebung sowie Aufwand & Risiken

• Kombination von Datenquellen mit LLMs (RAG)
• Retriever- und Generator-Architektur
• Datenaufbereitung und Modellauswahl für RAG-Systeme
• Evaluation und Deployment von RAG-Anwendungen
• Grundlagen intelligenter Agenten, Function Calling und Tool Use
• Agentenarchitekturen, Multi-Agent-Systeme sowie Chancen & Risiken

Nachdem alle Fragen aus den Selbstlerneinheiten beantwortet sind, folgt die Festigung des Wissens anhand praxisnaher Übungen und Transfer in konkrete Anwendungsfälle.