Angewandte KI-Methodologie

  1. Verstehen, wie Analyse funktioniert
  2. Datenanalyse mit maschinellem Lernen effektiv nutzen
  3. Festlegen, was KI leisten kann

  1. Der Data Science Prozess
  2. Maschinelles Lernen im Unternehmen
  3. Datenerfassung
  4. Datenvorbereitung
  5. Datenvisualisierung
  6. Inferenz
  7. Data Engineering
  8. Regelbasierter Ansatz vs. datenwissenschaftlicher Ansatz

  1. Einführung in den Entwurf von KI-Systemen
    1. Geschäftsziele und ML-Ziele
    2. Anforderungen an KI-Systeme
    3. Iterativer Prozess
    4. Formulierung von KI-Problemen
    5. Verstand versus Daten
  2. Grundlagen des Data Engineering
    1. Datenquellen
    2. Datenformate
    3. Datenmodelle
    4. Datenspeicher und Datenverarbeitung
    5. Arten des Datenflusses
    6. Batch-Verarbeitung versus Stream-Verarbeitung
  3. Trainingdaten
    1. Sampling
    2. Labeling
    3. Unbalancierte Klassen
    4. Datenaugmentierung
  4. Feature Engineering
    1. Gelernte Features versus konstruierte Features
    2. Übliche Feature-Engineering-Techniken
    3. Data Leakage
    4. Gute Features erzeugen
  5. Modellentwicklung und Offline-Bewertung
    1. Modellentwicklung und -training
    2. Offline-Bewertung des Modells
  6. Deployment des Modells und Prediction Service
    1. Mythen über das Deployment von Maschinellem Lernen
    2. Batch Verhersagen versus Online Vorhersagen
    3. Modell-Kompression
    4. ML in der Cloud und auf Edge-Geräten
  7. Verschiebungen bei der Datenverteilung und Monitoring
    1. Ursachen für das Versagen von KI-Systemen
    2. Verschiebungen in der Datenverteilung
    3. Monitoring und Beobachtbarkeit
  8. Kontinuierliches Lernen und Testen in der Produktion
    1. Kontinuierliches Lernen
    2. Test im Produktivbetrieb
  9. Infrastruktur und Tools für MLOps
    1. Speicher und Rechenkapazität
    2. Entwicklungsumgebung
    3. Ressourcenmanagement
    4. ML Plattform
    5. Build versus Buy
  10. Die menschliche Seite der KI
    1. User Experience
    2. Teamstruktur
    3. Verantwortungsvolle KI

  1. Einführung in XAI
  2. Definition von Erklärungsmethoden und -ansätzen
  3. Bewertung der Qualität von Erklärungsmethoden
  4. Arten von Modellerklärungsmethoden
  5. Methoden zur Wissensextraktion
  6. Einflussbasierte Methoden
  7. Beispielbasierte Methoden

  1. Profil für KI-Ingenieure
  2. Wichtige Faktoren
    1. Die Unterschiede zwischen Data Scientist und KI-Ingenieur
    2. Fokussierung auf Einfachheit zur Minimierung der Projektrisiken
    3. Anwendung agiler Prinzipien in KI-Projekten
    4. Unterschiede und Gemeinsamkeiten zwischen DevOps und MLOps
  3. Planung und Scoping eines Projekts
  4. Kommunikation und Logistik des Projektes
  5. Planung und Recherche für ein KI-Projekt
  6. Testen und Evaluieren eines KI-Projekts
  7. Vom Prototyp zum MVP

KI Methoden und Werkzeuge

Angewandte KI in den Naturwissenschaften