Termine & Buchung

1. Einführung in das Deep Learning

• Was sind neuronale Netze und wie lernen sie?
• Mathematische Grundlagen kompakt erklärt
• Neuronale Netze mit Keras und TensorFlow
• Modelle: Evaluation und Anpassung
• Modelle: Einsatz und Speicherung

2. Datenvorbereitung und Feature Extraction

• Datenvorbereitung mit Pandas
• Explorative Datenanalyse
• Standardisierung von numerischen Daten und Textdaten
• Feature Extraction: Merkmale aus Daten extrahieren
• Netze mit geringen Datenmengen trainieren

3. Spezialisierte neuronale Netze

• Konvolutionale neuronale Netze (CNN)
• Aktualisierung von Gewichten bei CNNs
• Max Pooling und Dropout
• Anlernprozesse überwachen mit TensorBoard
• Rekurrente neuronale Netze (RNN)
• Zeitreihenanalyse und Textverarbeitung mit RNN

4. Modelle deployen und Transfer-Learning

• Einsatz von Cloud-GPUs für Machine-Learning-Projekte
• Einführung in Transfer Learning und Modell Zoo
• Vorstellung von ImageNet, ResNet, VGG16
• Vortrainierte Layers in eigenen Projekten nutzen

Mit diesem Seminar erhältst du tiefgehendes Wissen über Konzepte und Methoden des Deep Learnings. Du lernst die Möglichkeiten und Grenzen der Technologie kennen und erstellst, trainierst und optimierst selbst eigene Datenmodelle und neuronale Netze.

Du lernst die praktische Arbeit den wichtigsten Python-Frameworks kennen und weißt, wie du sie in eigenen Projekten einsetzen kannst.

Die technischen Hürden für den Einstieg sind minimal – durch den Einsatz von Jupyter Notebooks und kostenfreier Cloud-GPUs.

Nach Abschluss dieses Trainings wirst du nicht nur fundierte theoretische Kenntnisse in Deep Learning besitzen, sondern auch praktische Erfahrung in der Anwendung moderner KI-Technologien gewinnen. Du wirst fähig sein, neuronale Netze zu evaluieren, anzupassen und produktiv einzusetzen. Zudem erlernst du, wie du die Technologien in eigenen Projekten nutzt. Dies qualifiziert dich für fortgeschrittene Aufgaben in der KI-Entwicklung.

Die Inhalte dieser Weiterbildung unterstützen die Nachweispflicht zur Förderung von KI-Kompetenz im Sinne des Art. 4 EU KI-VO.

Dieser Kurs bietet dir ein digitales Blended-Konzept, das für berufsbegleitendes Lernen entwickelt wurde. Durch einen flexiblen Mix aus Online-Seminaren und Selbstlernphasen kommst du sicher ans Ziel. So lernst du in dieser Weiterbildung:

Lernumgebung: In deiner Online-Lernumgebung findest du nach deiner Anmeldung nützliche Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.

Selbstlernphasen: Lerne selbstbestimmt, in deinem eigenen Tempo und wann immer du möchtest. Unsere Kurse bieten dir dafür didaktisch hochwertiges Lernmaterial. 

Live-Webinare: In regelmäßigen Online-Seminaren triffst du deine Trainer:innen persönlich. Du erhältst Antworten auf deine Fragen, konkrete Hilfestellungen und Anleitungen, um dein Wissen zu vertiefen und die erworbenen Fähigkeiten in praktischen Übungen anzuwenden.

Lern-Community: Während des gesamten Kurses steht dir eine digitale Lern-Community zur Verfügung. Tausche dich mit anderen Teilnehmenden und den Trainer:innen aus und kläre Fragen.

Future Jobs Club: Erhalte exklusiven Zugang zu einem Business-Netzwerk, News und Future Work Hacks.

Teilnahmebestätigung und Open Badge: Als Absolvent:in des Kurses erhältst du eine Teilnahmebestätigung und ein Open Badge, das du u. a. auch ganz einfach in beruflichen Netzwerken (u. a. LinkedIn) teilen kannst.

Du lernst, was Künstliche Intelligenz ist, wie sie funktioniert und wofür du KI einsetzen kannst.

Du erlebst, welche Bedeutung Daten haben für Automatisierung, Analyse und die Erstellung von Modellen und worauf es bei der Datenqualität ankommt.

Du kannst Daten bereinigen und vorbereiten, um eigene Mining- oder Machine-Learning-Projekte umzusetzen.

Du lernst die technischen Abläufe im Machine Learning kennen und kannst diese anschaulich im Unternehmen vermitteln.

Du machst erste praktische Erfahrungen mit der Arbeit an Daten- und Trainingssets und kannst dein Wissen danach direkt einsetzen.

Du bist in der Lage, fundierte Entscheidungen über den Einsatz von KI in deinem Unternehmen zu treffen, und kannst mit technischen Abteilungen auf Augenhöhe kommunizieren.

Du qualifizierst dich in einem neuen Kompetenzfeld, das in der Zukunft eine große Rolle spielen wird und schon heute stark gefragt ist.

Nimm aktiv an unserer Online- Community teil, arbeite mit deinen eigenen Fragestellungen – so profitierst du am meisten von diesem Online-Training. Dadurch bringst du die Inhalte sowohl im Selbststudium als auch in praktischen Übungen in die Anwendung.

1. Python-Techniken für das Text Processing

• Python-Basics für die Textverarbeitung
• Text- und PDF-Dateien verarbeiten
• Die wichtigsten Regular Expressions

2. Einführung in Natural Language Processing (NLP)

• Konzepte des Natural Language Processings
• Einsatz der Bibliothek SpaCy zur Textanalyse
• Tokenization, Stemming und Lemmatization
• Part-of-speech und Named Entity Recognition
• Zerlegung von Texten mit Sentence Segmentation

3. Textklassifikation und Textanalyse

• Einführung in scikit-learn
• Evaluierung von Klassifikationsmodellen mit Präzision, Recall und F1-Score
• Semantisches Verständnis und Sentiment Analysis
• Vektorbasierte Textrepräsentationen mit Word Vectors
• Sentiment Analysis mit der Bibliothek NLTK

4. Topic Modelling und Long Short-Term Memory

• Einführung in das Topic Modelling
• Klassifizierung mit Latent Dirichlet Allocation (LDA)
• Strukturen erkennen mit Non-negative Matrix Factorization (NMF)
• Long Short-Term Memory, GRU und Text Generation
• Implementierung eines LSTM zur Texterstellung mit Keras

5. Transformer und Attention

• Das Konzept der Selbstaufmerksamkeit
• Multihead Attention und Bedeutung in NLP-Modellen
• Encoder und Decoder für maschinelle Übersetzung und Sprachverständnis
• Architekturkonzepte gängiger Transformer-Modelle: GPT-2/3/4, BERT
• Erstellen einer Transformer-Struktur mit Python und Keras
• Training und Evaluation eines Seq2Seq-Transformers

6. Transfer Learning und Finetuning mit Hugging Face

• Einführung in Hugging Face und Vorstellung vortrainierter Modelle
• Auswahl geeigneter Modelle und Tokenizer
• Transfer Learning und Finetuning vortrainierter Modelle
• Automatische Konfiguration und Anpassung von Modellen

7. Praxisprojekt: Trainieren eines eigenen Chatbots

Mit diesem Seminar erhältst du tiefgehendes Wissen über Konzepte und Methoden zum Einsatz sprachbasierter Künstlicher Intelligenz. Du lernst die grundlegenden Technologien kennen und erarbeitest dir dabei dabei umfassendes Wissen über die Transformator-Architektur, die Schlüsseltechnologie für die moderne generative KI ist.

Du erlernst die praktische Arbeit mit den wichtigsten Python-Frameworks und mit vortrainierten Modellen auf Hugging Face kennen und weißt, wie du sie in eigenen Projekten einsetzen kannst.

Die technischen Hürden für den Einstieg sind minimal – durch den Einsatz von Jupyter Notebooks und kostenfreier Cloud-GPUs.

Nach Abschluss dieses Trainings wirst du nicht nur fundierte theoretische Kenntnisse in der Sprachverarbeitung mit Künstlicher Intelligenz besitzen, sondern auch praktische Erfahrung in der Anwendung von Methoden und Frameworks. Du wirst fähig sein, eigene, auf Machine Learning basierende Sprachsysteme und -modelle zu entwickeln, anzupassen und produktiv einzusetzen. Zudem lernst du, wie du die Technologien in eigenen Projekten nutzen kannst. Dies qualifiziert dich für fortgeschrittene Aufgaben in der KI-Entwicklung.

Die Inhalte dieser Weiterbildung unterstützen die Nachweispflicht zur Förderung von KI-Kompetenz im Sinne des Art. 4 EU KI-VO.

1. Einführung und Grundlagen

• Zielsetzung, Ablauf und Erwartungsabgleich
• Wertschöpfung durch generative KI im Unternehmen
• Einordnung von RAG in moderne KI-Architekturen
• Typische RAG-Use-Cases und Grenzen

2. Grundlagen von Retrieval-Augmented Generation

• Funktionsweise und Architektur von RAG-Systemen
• Zusammenspiel von Daten, Retrieval und Generierung
• Typische Fehlerquellen und Qualitätsprobleme
• Beispiele und Best Practices aus realen Projekten

3. Chunking und Embeddings in der Praxis

• Intuitives Verständnis von Embeddings
• Chunking-Strategien und deren Auswirkungen
• Visualisierung von Ähnlichkeiten im Embedding-Space
• Hands-on-Umsetzung in Python-Notebooks

4. Retrieval, Reranking und Generierung

• Similarity Search und Top-K-Retrieval
• Reranking-Strategien für bessere Ergebnisse
• Prompt-Design für RAG-basierte Antworten
• Implementierung einer vollständigen Retrieval-Pipeline

5. Evaluation und Optimierung

• Warum Evaluation von RAG-Systemen nicht trivial ist
• Qualitätsmetriken und automatische Bewertung
• Systematische Optimierung von Pipelines
• Vergleich, Parameter-Tuning und Nachvollziehbarkeit

6. Produktivsetzung und MLOps

• Systematische Optimierung von RAG-Pipelines
• Parameter-Search, Vergleich & Nachvollziehbarkeit
• Experiment-Tracking & Versionierung (z. B. mit MLflow)
• Umsetzung als Service mit APIs und Monitoring
• Deployment mit FastAPI

7. Monitoring und Drift

• Warum RAG-Systeme über Zeit schlechter werden
• Drift-Arten und deren Auswirkungen
• Praktische Drift-Analyse mit verändertem Datensatz
• Ableitung von Maßnahmen

In deiner Online-Lernumgebung findest du nach deiner Anmeldung nützliche Informationen, Downloads und Extra-Services zu dieser Qualifizierungsmaßnahme.

Du entwickelst ein tiefes, praxisnahes Verständnis für RAG-basierte KI-Systeme und weißt, wie diese technisch aufgebaut sind.

Du baust komplette End-to-End-RAG-Pipelines selbst – von der Datenquelle bis zur produktiven API.

Du lernst, RAG-Systeme kritisch zu evaluieren und systematisch zu verbessern, statt nur zu experimentieren.

Du verstehst, wie MLOps-Konzepte auf LLM-Systeme angewendet werden, inklusive Monitoring und Drift-Analyse.

Du erhältst einen umsetzbaren Blueprint, mit dem du eigene RAG-Lösungen sicher in den Unternehmenskontext überträgst.

Die Voraussetzung für das Absolvieren der Prüfung ist die Teilnahme an den vier Kursen der Master Class. Wir empfehlen, alle Kurse innerhalb von maximal zwei Jahren zu besuchen und die Prüfung zeitnah zum letzten Kursbesuch abzuschließen.  

Prüfungsrelevant sind die Inhalte aller vier Kurse der Master Class. Sobald du die Prüfung gebucht hast, siehst du diese in deiner Lernumgebung. Dort gibt es eine Kachel mit näheren Informationen zur Prüfung, wie auch eine kleine Mini-Vorschau über das Format der E-Prüfung mit verschiedenen Beispielfragen.  

Die Prüfung findet online statt. Sie lässt sich bequem von zuhause oder im Büro in einem vorgegebenen Zeitrahmen absolvieren. Sie besteht aus zwei Bestandteilen: 

• E-Prüfung: 20 Multiple-Choice-Fragen zu den Inhalten aus den vier Kursen der Master Class. 
• Praxisprüfung: Ausarbeitung eines ML-Anwendungsfalls mit einem vorgegebenen Datensatz. Je nach Vorarbeit in den vier Kursen der Master Class sind ca. 3 – 4 Stunden Zeitaufwand einzuplanen.