Künstliche Intelligenz berufsbegleitend absolvieren

• Digitale Bilder: Einführung und Begriffsbildung, Bildmodelle und grundlegende Konzepte (Sampling, Quantisierung, Interpolation)
• Bildarithmetik und Punktoperationen (homogen und inhomogen) mit Anwendungen zur Bildverbesserung
• Geometrische Transformationen
• Statistische Kenngrößen und Histogramme
• Einführung in statistische Bildanalyse und Anwendung zur Kontrastverbesserung (Histogrammausgleich)
• Schwellwertverfahren (global und adaptiv)
• Praxisbeispiele zur Bildsegmentierung (Binärisierung)
• Lineare Filter: Typen, Eigenschaften, Faltung, Anwendungsbereiche
• Kantendetektion

Einführung in Python

• Grundlegende Einführung in die Programmiersprache Python
• Konzepte der objektorientierten Programmierung

Verwendung von Bibliotheken

• Installieren und Importieren von Bibliotheken
• Grundlegende Bibliotheken zum Einlesen, Verarbeiten, Visualisieren und Speichern von Daten (NumPy, Pandas, OpenCV, Matplotlib etc.)

Einführung in PyTorch

• Entwickeln eigener Neuronaler Netzwerke
• Laden vortrainierter Neuronaler Netzwerke
• Aufbereitung der Trainingsdaten
• Training eines Neuronalen Netzwerkes

• Grundlegende Einordnung von Machine Learning (ML) im Bereich künstliche Intelligenz
• Definition grundlegender Begriffe (z. B. überwachtes, unüberwachtes und verstärkendes Lernen, Offline- und Online-Learning, Test- vs. Trainingsdaten, Regression vs. Klassifikation, Over- und Underfitting)
• Lineare und logistische Regression
• Entscheidungsbäume und Random Forests für Klassifikation und Regression
• Nachbarschaftsbasierte Verfahren (z. B. k-Nearest-Neighbors-Algorithmus)
• Clusteringverfahren (z. B. k-Means-Algorithmus)
• Neuronale Netze (Feed-Forward-Netze, Einstieg in CNNs)

Konzept MLOps

• Vorgehensweisen Data Mining und DevOps, Transfer auf Entwicklung und Betrieb von KI-Modellen

MLOps Zyklus

• Nutzenbetrachtung als Ausgangspunkt, Integration des KI-Modells in die Gesamt-Architektur, agiles Vorgehen in Datenprojekten, KI-Engineering als Voraussetzung für den produktiven Betrieb, Replizierbarkeit von Trainingsergebnissen, automatisiertes Deployment, Monitoring der KI-Modelle im Betrieb

• Sequenzdaten, ihre Eigenschaften und praktische Vorkommen
• Neuronale Netze, Berechnungsgraphen und Funktion von NN-Toolkits
• Rekurrente neuronale Netze zur Modellierung von Sequenzdaten und die resultierenden Berechnungsgraphen
• Überwachte Sequenzlernprobleme: n:n, n:1, 1:n, n:m
• Klassifikation von Sequenzen am Beispiel Textverarbeitung
• Transduktion/Tagging mit RNN am Beispiel Named-Entity-Recognition
• Generative Sequenzmodellierung am Beispiel Sprachmodelle
• Autoregressives Decoding zur Sequenzgenerierung
• Encoder-Decoder-Architektur am Beispiel maschinelle Übersetzung
• Embedding und Tokenisierung für wertdiskrete Eingaben
• Fensterung und Taktung für zeitkontinuierliche Signale
• Bi-RNNs und Stacked RNNs, alternative rekurrente Einheiten (LSTM und GRU)
• Wege des Lernsignals und Flaschenhälse; Aufmerksamkeitssteuerung
• Transformer: Aufmerksamkeitssteuerung und Positionskodierung

• Übersicht industrieller Anwendungsfälle: Wertschöpfungskette der fertigenden Industrie, Fokusbereich Produktion, Beispiele für sensorbasierte Anwendungsfäll
• Vorausschauende Wartung: geschäftlicher Kontext und Lösungsidee, Generation von Testbett-Daten für das überwachte Lernen, Konstruktion geeigneter Merkmale aus den Sensordaten, überwachtes „Deep Learning“, unüberwachtes Lernen mit Autoencodern
• Robotik: Cyber-physische Systeme, verstärkendes Lernen, maschinelles Lernen mit dem digitalen Zwilling

Der Kurs findet an der Fakultät Informatik und Mathematik der OTH Regensburg in einem modernen Computerraum statt.

Voraussetzung zur Teilnahme ist ein Bachelorabschluss oder vergleichbarer Studienabschluss mit einschlägiger Berufserfahrung im mathematisch-technischen Bereich. Zudem sollten Vorkenntnisse in Python vorhanden sein. Ein Python-Tutorial im Vorfeld unterstützt Sie hierbei.

Personen mit Programmiererfahrung, die KI-Projekte in der Praxis entwickeln oder anwenden wollen

Der Kurs schließt mit einer schriftlichen Prüfung ab. Bei erfolgreicher Absolvierung erhalten Sie das Hochschulzertifikat "Künstliche Intelligenz". Das Zertifikat wird mit 5 ECTS-Punkten ausgestellt, die bei einem späteren Hochschulstudium ggf. angerechnet werden können.