1. Einführung in Künstliche Intelligenz (KI)

• Was ist KI und wo wird sie angewendet?
• Was ist maschinelles Lernen?
• Lernarten (Supervised-, Unsupervised-, Reinforcement Learning)
• Begriffe und Konzepte: Datensammlung, Datensatz, Features und Generalisierung
• Typischer Entwicklungszyklus (CRISP-DM Modell)
• Überblick Python und typische ML Bibliotheken

Praxisübung 1: Grundlagen data handling in Python

2. Supervised Learning

• Elemente eines Klassifikators
• Konzepte: Over- und Underfitting, Training-, Test- und Validierungsdaten, Cross-Validierung
• Lernverfahren: Random Forest, Support Vector Machines und Neuronale Netzwerke

Praxisübung 2: Supervised Learning mit Python

3. Evaluation

• How to measure success – die wichtigsten Metriken und Konzepte im Überblick
• Häufige Probleme bei statistischen Auswertungen
• Bias erkennen und mitigieren

4. Vorverarbeitung

• Grundlagen: Aufbereitung von tabellarischen Daten (Kodierung, Bereiningung, etc.)
• Feature extraction und feature engineering
• Transformationen
• Umgang und Aufbereitung von Zeitreihen

Praxisübung 3: Die gesamte ML-Pipeline in Python von KI ins Unternehmen