KI von Grund auf: Praxisnaher Einstieg in AI-Modelle mit Python

Seminarziel

Am Ende des Seminars sind die Teilnehmer in der Lage, einfache AI-Modelle in Python zu entwickeln, Daten zu analysieren und Vorhersagen zu treffen. Sie lernen, wie sie Maschinelles Lernen, Neuronale Netzwerke und Reinforcement Learning von Grund auf umsetzen und anwenden können.

Inhalt

• Einführung in Künstliche Intelligenz (AI) und ihre Anwendungen
  • Eine Einführung in die Konzepte der Künstlichen Intelligenz, einschließlich Maschinellem Lernen (ML), Deep Learning und Neuronalen Netzwerken . Die Teilnehmer erhalten einen Überblick über die wichtigsten Anwendungsbereiche von AI wie Bildverarbeitung , Spracherkennung und Automatisierung .
  • Anwendungsbereiche von AI: Beispiele für AI in der Praxis, wie in den Bereichen Finanzen , Gesundheitswesen , Logistik und Kundendienst . Besondere Betonung auf die Automatisierung von Aufgaben und die Verbesserung von Entscheidungsprozessen durch AI.
  • Unterschiede zwischen Supervised , Unsupervised und Reinforcement Learning : Ein Überblick über die verschiedenen Arten von Machine-Learning-Algorithmen und ihre spezifischen Einsatzgebiete in der Praxis.
• Implementierung von Künstlicher Intelligenz in Python
  • Einführung in Python für AI: Warum Python die bevorzugte Sprache für AI-Entwicklung ist. Überblick über wichtige Bibliotheken wie NumPy , Pandas , Matplotlib und Scikit-learn für Datenanalyse und Visualisierung.
  • Grundlagen des Maschinellen Lernens mit Python: Einführung in Scikit-learn zur Implementierung von Algorithmen wie Linearer Regression , K-Nearest Neighbors (KNN) und Support Vector Machines (SVM) .
  • Datenvorverarbeitung und Feature Engineering: Wie man Daten bereinigt, normalisiert und relevante Merkmale extrahiert, um die Leistung von AI-Modellen zu verbessern.
• Praxisübung 1: Implementierung eines einfachen Machine-Learning-Modells
  • Ziel der Übung: Die Teilnehmer implementieren ein einfaches Machine-Learning-Modell von Grund auf und trainieren es mit einem Beispiel-Datensatz.
    • Projektbeschreibung: Entwicklung eines Modells zur Vorhersage von Hauspreisen basierend auf einem Beispiel-Datensatz. Die Teilnehmer lernen, Daten zu laden, zu analysieren, zu trainieren und zu testen.
    • Tools: Python , Scikit-learn , Pandas , NumPy , Matplotlib .
    • Ergebnisse: Die Teilnehmer haben ein funktionsfähiges Machine-Learning-Modell erstellt und dessen Vorhersagen getestet.
• Einführung in Neuronale Netzwerke und Deep Learning
  • Grundlagen neuronaler Netzwerke: Erläuterung der Funktionsweise von Künstlichen Neuronalen Netzwerken (ANNs), inklusive der Forward Propagation und Backpropagation .
  • Einführung in TensorFlow und Keras : Verwendung dieser Frameworks zur Implementierung von Deep-Learning-Modellen. Grundlagen des Modellaufbaus, Aktivierungsfunktionen und Optimierungsalgorithmen.
  • Convolutional Neural Networks (CNNs) für Bildverarbeitung: Erklärung von CNNs und deren Anwendung in der Bildverarbeitung , einschließlich Bildklassifikation und Objekterkennung.
• Reinforcement Learning und seine Anwendung
  • Einführung in Reinforcement Learning: Grundprinzipien von Belohnung und Bestrafung , die ein Modell durch Interaktionen mit der Umgebung lernt.
  • Grundlegende Algorithmen des Reinforcement Learnings: Implementierung von Q-Learning und Deep Q-Networks (DQN) in Python.
  • Beispiele für Reinforcement Learning in der Praxis: Einsatzmöglichkeiten in Robotik , Spielen und autonomen Systemen .
• Praxisübung 2: Entwicklung eines neuronalen Netzwerks zur Bildklassifikation
  • Ziel der Übung: Die Teilnehmer erstellen ein Convolutional Neural Network (CNN) zur Klassifikation von Bildern und trainieren das Modell mit einem Bilddatensatz.
    • Projektbeschreibung: Entwicklung eines Modells, das den MNIST-Datensatz zur Klassifikation von handgeschriebenen Ziffern verwendet.
    • Tools: TensorFlow , Keras , Python .
    • Ergebnisse: Die Teilnehmer haben ein funktionierendes neuronales Netzwerk entwickelt, das in der Lage ist, Ziffern aus Bildern zu erkennen und zu klassifizieren.
• Optimierung und Evaluierung von AI-Modellen
  • Modelloptimierung und Hyperparameter-Tuning: Einführung in Grid Search , Random Search und andere Techniken, um AI-Modelle durch Optimierung von Hyperparametern zu verbessern.
  • Modellbewertung und Cross-Validation: Verwendung von Train-Test-Split , Kreuzvalidierung und Metriken wie Accuracy , Precision , Recall und F1-Score , um die Leistung eines Modells zu messen und zu verbessern.
  • Umgang mit Überanpassung (Overfitting): Techniken wie Regularisierung , Dropout und Datenaugmentation , um zu verhindern, dass ein Modell zu stark an den Trainingsdaten angepasst wird.
• Bereitstellung und Einsatz von AI-Modellen
  • Bereitstellung von AI-Modellen: Einführung in die Bereitstellung von Machine-Learning-Modellen in Produktionsumgebungen mit Tools wie Flask , FastAPI oder Docker .
  • Skalierung von AI-Modellen: Einsatz von Cloud-Diensten wie AWS , Google Cloud oder Microsoft Azure , um AI-Modelle zu skalieren und in verschiedenen Anwendungsfällen zu nutzen.
  • Modelle in Web- und Mobilanwendungen integrieren: Wie man AI-Modelle in Webanwendungen , Mobile Apps und andere Systeme integriert, um sie benutzerfreundlich zu machen.