Modul 1: Programmierung mit Python

Grundlagen Python (ca. 1 Tage)
Geschichte, Konzepte
Verwendung und Einsatzgebiete
Syntax

Erste Schritte mit Python (ca. 5 Tage)
Zahlen
Zeichenketten
Datum und Zeit
Standardeingabe und -ausgabe
list, tuple dict, set
Verzweigungen und Schleifen (if, for, while)

Funktionen (ca. 5 Tage)
Eigene Funktionen definieren
Variablen
Parameter, Rekursion
Funktionale Programmierung

Fehlerbehebung (ca. 0,5 Tage)
try, except
Programmunterbrechungen abfangen

Objektorientierte Programmierung (ca. 4,5 Tage)
Python-Klassen
Methoden
Unveränderliche Objekte
Datenklasse
Vererbung

Grafische Benutzeroberfläche (ca. 1 Tag)
Buttons und Textfelder
grid-Layout
Dateiauswahl

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

Modul 2: Machine Learning

Einführung in Machine Learning (ca. 5 Tage)
Warum Machine Learning?
Anwendungsbeispiele
Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen
Beispiele für Datenbestände
Daten kennenlernen
Trainings-, Validierungs- und Testdaten
Daten sichten
Vorhersagen treffen

Überwachtes Lernen (ca. 5 Tage)
Klassifikation und Regression
Verallgemeinerung, Overfitting und Underfitting
Größe des Datensatzes
Algorithmen zum überwachten Lernen
Lineare Modelle
Bayes-Klassifikatoren
Entscheidungsbäume
Random Forest
Gradient Boosting
k-nächste-Nachbarn
Support Vector Machines
Conditional Random Field
Neuronale Netze und Deep Learning
Wahrscheinlichkeiten

Unüberwachtes Lernen (ca. 5 Tage)
Arten unüberwachten Lernens
Vorverarbeiten und Skalieren
Datentransformationen
Trainings- und Testdaten skalieren
Dimensionsreduktion
Feature Engineering
Manifold Learning
Hauptkomponentenzerlegung (PCA)
Nicht-negative-Matrix-Faktorisierung (NMF)
Manifold Learning mit t-SNE
Clusteranalyse
k-Means-Clustering
Agglomeratives Clustering
Hierarchische Clusteranalyse
DBSCAN
Clusteralgorithmen

Evaluierung und Verbesserung (ca. 2 Tage)
Modellauswahl und Modellevaluation
Abstimmung der Hyperparameter eines Schätzers
Kreuzvalidierung
Gittersuche
Evaluationsmetriken
Klassifikation

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse

Modul 3: Deep Learning

Einführung Deep Learning (ca. 1 Tag)
Deep Learning als eine Art von Machine Learning

Grundlagen in neuralen Netzen (ca. 3 Tage)
Logistische Regression
Perceptron
Deep MLP
Backpropagation
Stochastischer Gradientenabstieg (SGD)
Adam Optimization Algorithm
Überanpassung Lernkurve
Regularisierung
Hyperparameter
Hyperparameteranpassung

Frameworks (ca. 1 Tag)
TensorFlow
Keras
Pytorch

Convolutional Neural Network (CNN) (ca. 3 Tage)
Das Problem von Bildklassifizierung
ImageNet
Faltungsoperation
CNN Schichten
Max Pooling
ReLU (Rectified Linear Unit)
CNN Architekturen
AlexNet
CNN für Regressionsprobleme

Transfer Learning (ca. 1 Tag)
Unsupervised Pretraining
CNN und klassische Algorithmen

Fortgeschrittene CNNs (ca. 1 Tag)
MobileNet
Regionale CNN (R-CNN)
Explainable Al
ResNet (Residual Neural Network)
Skip Layers

Recurrent Neural Networks (RNN) (ca. 2 Tage)
Sequenzanalyse
Themen in NLP
Language Models
RNN Anwendungen in NLP
Vanilla-RNN
Backpropagation through time (BPTT)
Vanishing gradient
Exploding gradient

Gated RNN (ca. 1 Tag)
LSTM (Long Short-Term Memory)
GRU (Gated Recurrent Unit)
Deep RNN
Deep LSTM

Seq2seq (ca. 1 Tag)
Encoder-Decoder
Architektur
Dropout
Batch normalization
Chatbots

Transformers (ca. 1 Tag)
BERT, GPT-2
Transfer Learning in NLP

Generative Modelle (ca. 2 Tage)
Generative Adversarial Networks (GAN)
Deepfake
Sampling
Anwendungen von GANs
Bayessche Netze

Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse