Applied Artificial Intelligence

Der Zertifikatskurs setzt sich aus den drei Veranstaltungen "KI-Anwendungen & Management" (M7.1a), "Machine Learning" (M7.2a) und "Deep Learning" (M7.3a) zusammen:

Grundlagen der KI:

• Definitionen und Sichtweisen
• Historische Entwicklung
• Ein Streifzug durch die KI-Disziplinen
• Anwendungsbereiche
• Gesellschaftliche und ethische Betrachtung

Technische Aspekte einer KI-Anwendung:

• Komponenten einer KI-basierten Lösung
• Machine-Learning-Modelle (ML-Modelle) als zentraler Baustein moderner KI-Anwendungen
• MLOPs / Lebenszyklus-Management von ML-Modellen
  
  

Organisatorische Aspekte einer KI-Anwendung:

• KI-Projekt-Lebenszyklus
• Anforderungserhebung und Planung
• Ressourcenplanung / Datenbeschaffung
• Qualitätssicherung und Governance
• Risikobewertung

Diese Veranstaltung bietet eine grundlegende Einführung in maschinelles Lernen (ML) mit einem Fokus auf Supervised und Unsupervised Learning. Es werden Konzepte, Vorgehensweisen, Methoden und Werkzeuge vorgestellt, die für das Verständnis und die Anwendung von ML essenziell sind. Der Fokus liegt auf bekannten und häufig eingesetzten Modellen und Lernverfahren. Durch die begleitende Erprobung der vorstellten Verfahren anhand konkreter Anwendungsfälle entwickeln die Teilnehmenden ein tiefgreifendes Verständnis für ML-Technologien, deren Umsetzung und Anwendung sowie kritische Reflexion der Ergebnisse.

Grundlagen des maschinellen Lernens:

• Definition, Geschichte und Aufgabentypen
• Lernparadigmen: Supervised, Unsupervised, Reinforcement Learning, Mischformen
• Lernen aus Daten: Modellrepräsentation, Evaluierung, Optimierung
• Konzepte: Gütemaße für die Evaluierung, Overfitting, Underfitting, Kreuzvalidierung

Data Engineering:

• Rekapitulation Techniken zur Datenaufbereitung und zur explorativen Datenanalyse aus M6.2 und M6.3
• Datenbereinigung, Umgang mit fehlenden Werten, Skalierung, Normierung
• Merkmalsauswahl (Feature Selection), Merkmalserzeugung (Feature Engineering)

Überwachtes Lernen:

• Aufgabentypen: Klassifikation, Regression
• Vertiefung Klassifikation: k-NN, Entscheidungsbäume, Random Forest, XGBoost
• Vertiefung Regression: Lineare Regression, Regularisierung

Unüberwachtes Lernen:

• Clusteranalyse: Ausgewählte Verfahren
• Anomalieerkennung: Ausgewählte Verfahren 

Einführung in neuronale Netze – Vom Perceptron zum Deep Learning:

• Das Perceptron
• Aktivierungsfunktionen
• Mehrschichtige vorwärtsgerichtete Netze
• Wie lernt ein neuronales Netz?
• Backpropagation
  
  

Deep-Learning-Architektur-Bausteine:

• Feed-Forward Neural Networks
• Convolutional Neural Networks
• Recurrent Neuronal Networks
• Encoder-Decoder-Architekturen
• Transformer-Modelle
• Attention-Mechanismen
• Architektur-Kombinationen

Deep-Learning-Anwendungen:

• Computer Vision
• Natural Language Processing
• Generative AI und Sprachmodelle
• Herausforderungen und Erfolgsfaktore

Sie haben ein abgeschlossenes Studium auf Bachelor-Niveau mit mindestens 180 ECTS.

Sie haben i.d.R. mindestens zwei Jahre Berufserfahrung* und befinden sich idealerweise in einem Arbeitsverhältnis.

*Bei Teilnehmer*innen mit weniger Berufserfahrung kann die Zulassung zum Zertifikatsprogramm individuell geprüft werden. Bitte nehmen Sie in diesem Fall Kontakt mit uns auf.

• Grundlegende Kenntnisse über die Funktionen eines Computers und grundlegende Konzepte des Programmierens wären wünschenswert. Tiefergehende Programmiererfahrung oder Python-Kenntnisse sind hilfreich, aber nicht notwendig. Die grundlegende Bereitschaft sich mit dem Konzept einer Programmiersprache zu beschäftigen ist dagegen erforderlich. Erste Erfahrungen im Umgang mit Daten und deren Verarbeitung sollten vorhanden sein.
• Die Erarbeitung des Pre-Assignments (vor Kursbeginn) ist Voraussetzung für die Teilnahme an Präsenzveranstaltung und Prüfung. Weitere Informationen siehe unter "Ablauf und Termine".

Bitte kontaktieren Sie uns jederzeit, wenn Sie Fragen zu den Zulassungsvoraussetzungen haben.

Der nächste Zertifikatskurs findet im Juni 2025 in einer Blockveranstaltung von Donnerstag bis Samstag jeweils von 08.30-18.00 Uhr an der Hochschule Heilbronn am Bildungscampus Heilbronn statt.

Der genaue Termin wird Ende 2024 an dieser Stelle veröffentlicht. Bitte melden Sie sich sehr gerne jederzeit bei uns, wenn Sie vorher Fragen zu Terminen und Ablauf haben.

Ca. 3 Wochen vor Beginn des Kurses erhalten alle Teilnehmenden Vorbereitungsaufgaben (sog. Pre-Assignments) zur Vorbereitung auf die Präsenzveranstaltungen. Diese sollten bis zum Veranstaltungsbeginn zu Hause im Selbststudium erarbeitet werden.

Die Prüfung in Form einer Präsentation findet ca. 3-4 Wochen nach der Blockveranstaltung an einem Nachmittag von 14.00-18.30 Uhr statt. Der genaue Termin wird ebenfalls Ende 2024 an dieser Stelle veröffentlicht.

Nach Beendigung des Zertifikatskurses und Bestehen der Prüfung erhalten die Teilnehmenden das Zertifikat "Microcredential" der Hochschule Heilbronn mit Angabe der ECTS-Punkte. Diese können auf den berufsbegleitenden MBA-Studiengang "Wirtschaftsinformatik - Digitale Transformation" angerechnet werden. Bei Interesse kontaktieren Sie uns bitte.

Wenn Sie keine Prüfung ablegen möchten, dann erhalten Sie nach Beendigung des Kurses eine Teilnahmebescheinigung (ohne ECTS-Angabe).