Der Lehrgang behandelt detailliert den Fachbereich Machine Learning – hier wird künstliches Wissen aus Erfahrung generiert. Zunächst wird dir der vollständige ML-Workflow vermittelt – von der Datenaufbereitung und Modellentwicklung bis zur Bewertung und Interpretation. Im Anschluss erläutert dir der Kurs die Methoden des Deep Learnings auf Basis von neuronalen Netzen. Deep Learning, als Teilbereich des Machine Learnings, nutzt Algorithmen für intelligente Lernprozesse. Abschließend wird mit Reinforcement Learning eine der drei Haupttechniken des maschinellen Lernens beschrieben, in der Software durch den direkten Austausch mit ihrer Umwelt in Form von Versuch und Irrtum trainiert wird, optimale Ergebnisse zu erzielen.

Machine Learning

Einführung in Machine Learning und ML-Workflow (ca. 3 Tage)Grundlagen, Anwendungsbereiche und Arten des Machine Learning 
Einordnung moderner KI- und Machine-Learning-Verfahren 
Machine-Learning-Workflow mit scikit-learn 
Trainings-, Validierungs- und Testdaten 
Underfitting, Overfitting und Modellevaluation 
Cross Validation

Datenaufbereitung und Feature Engineering (ca. 2 Tage)
Datenqualität und DatenvorverarbeitungSkalierung, Normalisierung und Kodierung Feature Engineering und Feature Selection Umgang mit fehlenden Werten, Ausreißern und unausgeglichenen Datensätzen

Überwachtes Lernen – Regression und Klassifikation (ca. 5 Tage)
Regressions- und Klassifikationsverfahren 
Lineare und regularisierte Modelle 
Distanz-, wahrscheinlichkeits- und baumbasierte Verfahren 
Ensemble- und Boosting-Verfahren 
Modellvergleich und Hyperparameteroptimierung 
Evaluationsmetriken und probabilistische Vorhersagen
Feature Importance und Explainable AI 

Unüberwachtes Lernen (ca. 2 Tage)
Dimensionsreduktion und Merkmalsextraktion 
Clusterverfahren und Bewertung von Clustering-Ergebnissen 
Anomalieerkennung

Zeitreihenanalyse und Prognosen (ca. 1 Tag)
Grundlagen und Analyse von Zeitreihendaten 
Prognoseverfahren und Machine Learning für Zeitreihen

Neuronale Netze und moderne KI (ca. 2 Tage)
Grundlagen neuronaler Netze und Deep Learning 
Machine Learning für Textdaten und Natural Language Processing 
Foundation Models, Large Language Models und generative KI

Bereitstellung von ML-Modellen (ca. 1 Tag)
Speicherung und Bereitstellung trainierter Modelle 
Entwicklung einfacher ML-Anwendungen 
Schnittstellen und Plattformen für Machine-Learning-Modelle

Projektarbeit (ca. 4 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse



Deep Learning

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

Grundlagen in neuronalen Netzen (ca. 4 Tage)
Multilayer-Perzeptronen
Berechnung neuronaler Netze
Optimierung der Modellparameter, Backpropagation
Deep-Learning-Bibliotheken
Regression vs. Klassifikation
Typische Loss- und Aktivierungsfunktionen
Mit Metriken die Modellprognose bewerten
Regressions- und Klassifikationsmetriken
Lernkurven, Überanpassung und Regularisierung
Hyperparameteroptimierung
L1/12-Regularisierung
Dropout
Early-Stopping
Stochastischer Gradientenabstieg (SGD)
Momentum, Adam Optimizer
Optimierung der Lernrate
Dynamische Lernraten-Anpassung
Reduce Learningrate on Plateau
Lernraten-Optimierung mit dem TensorBoard
Mit Callbacks den Fitprozess steuern
Modelle speichern und laden

Convolutional Neural Network (CNN) (ca. 2 Tage)
Bildklassifizierung
Convolutional‐Schichten, Pooling‐Schichten
Reshaping‐Schichten, Flatten, Global‐Average‐Pooling
CNN‐Architekturen ImageNet‐Competition
Tiefe neuronale Netze, Vanishing Gradients, Skip‐Verbindungen, Batch‐Normalization

Transfer Learning (ca. 1 Tag)
Anpassen und Kombinieren von Modellen
Unüberwachtes Vortrainieren
Image‐Data‐Augmentation, Explainable AI
Dataloader

Regional CNN (ca. 1 Tag)
Objektlokalisierung
Semantische Segmentierung
Regressionsprobleme
Verzweigte neuronale Netze
YOLO-Architektur
U-Net-Modelle

Methoden der kreativen Bilderzeugung (ca. 1 Tag)
Generative Adversarial Networks (GAN) 
Deepfakes
Diffusionsmodelle
Superresolution
Bildbereiche ergänzen
Foundations Models von Hugging Face anwenden
Multimodale Modelle
LoRA-Fine-Tuning
Anwendungsgebiete generativer Modelle
Rechtliche Einschränkungen

Recurrente neurale Netze (ca. 2 Tage)
Sequenzanalyse
Rekurrente Schichten
Backpropagation through time (BPTT)
Analyse von Zeitreihen
Exploding und Vanishing Gradient Probleme
LSTM (Long Short‐Term Memory)
GRU (Gated Recurrent Unit)
Deep RNN
Deep LSTM

Textverarbeitung durch neuronale Netze (ca. 2 Tage)
Text-Preprocessing
Embedding-Schichten
Text-Klassifizierung
Sentimentanalyse
Natural Language Processing (NLP)
Übersetzungen
Textgeneration
Seqence-to-Sequence-Verfahren, Encoder-Decoder-Architektur
Encoder-Only- und Decoder-Only-Modelle
Lokale Anwendung von Large Language Models

Sprachmodelle (ca. 1 Tag)
Transfomer Architektur
Attention und Multihead-Attention
Positional Encodings
Fine-Tuning großer Sprachmodelle
Prompting
Textgeneration-Pipelines 
Summarization 
Chatbots
Retrieval Augmented Generation
KI-Agenten

Deep Reinforcement Learning (ca. 1 Tag)
Steuerung dynamischer Systeme
Agentensysteme
Training durch Belohnungen
Policy Gradients
Deep‐Q‐Learning

Bayes'sche neuronale Netze (ca. 1 Tag)
Unsicherheiten in neuronalen Netzen
Statistische Bewertung von Prognosen
Konfidenz, Standardabweichung
Unbalancierte Daten
Sampling‐Methoden

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



Reinforcement Learning

Einführung in Reinforcement Learning (ca. 1 Tag) 
Definition und grundlegende Konzepte
Unterschiede zu anderen Lernmethoden
Anwendungsbereiche und Beispiele

Markov Decision Processes (MDPs) (ca. 2 Tage)
Definition und Eigenschaften von MDPs
Value-Funktionen und Policy
Bellman-Gleichungen
Dynamic Programming Ansatz

Q-Learning (ca. 2 Tage)
Definition und Algorithmus
Exploration vs. Exploitation
Konvergenz- und Optimierungseigenschaften
Anwendungen in Spielen, Robotik und anderen Bereichen

Deep Reinforcement Learning (ca. 3 Tage)
Deep Q-Learning
Deep Deterministic Policy Gradients (DDPG)
Actor-Critic-Methoden
Policy Gradient-Methoden

Fortgeschrittene Themen (ca. 4 Tage)
Model-Based Reinforcement Learning
Multi-Agent Reinforcement Learning
Inverse Reinforcement Learning
Meta Reinforcement Learning

Praktische Anwendungen (ca. 3 Tage)
Implementierung von Reinforcement Learning Algorithmen
Anwendung auf ausgewählte Probleme und Fallstudien
Evaluation und Tuning der Algorithmen

Zusammenfassung und Ausblick (ca. 2 Tage)
Zusammenfassung der wichtigsten Konzepte und Ergebnisse
Herausforderungen und zukünftige Entwicklungen in Reinforcement Learning

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



Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.