Motivation
Künstliche Intelligenz (KI) und Machine Learning (ML) sind in der heutigen IT-Welt praktisch nicht mehr wegzudenken. In der Tat steckt in ihnen ein enormes Potenzial. Handkehrum werden einem Hype folgend nicht selten unrealistische oder unfundierte Erwartungen in diese neuen «Zaubertechnologien» gesteckt. Die Praxis hingegen zeugt viel mehr von Handwerk, statistischen Grundlagen und Trial-and-Error-Methodik.
Wer für eigene Projekte zielführende Einsatzmöglichkeiten des maschinellen Lernens überprüfen und beim Thema künftig fundierter mitreden möchte, kann sich im Rahmen dieses dreitägigen Kurses einen umfangreichen Überblick über die Grundlagen, aber auch die Limiten der künstlichen Intelligenz verschaffen. Er bietet eine ideale Gelegenheit, an kleinen, aber eindrücklichen KI-Beispielen selber Hand anzulegen und ein Gespür für die Hintergründe des maschinellen Lernens zu entwickeln.
Programm
Eigene einfache Programmierübungen in Python werden mit Theorie, Demonstrationen, Hands-on-Experimenten, Diskussionen und einigen Aha-Erlebnissen abwechslungsreich unterstützt. Alle drei Tage werden mit sauberen Begriffseinführungen, Anwendungsbeispielen, spannenden Episoden und eindrücklichen Demonstrationen auch ausserhalb des Python-Kontexts aufgelockert.
- Tag 1 | Data Science: Datenaufbereitung mit NumPy, pandas und Matplotlib
- NumPy-Arrays im Vergleich zu Python-Datenstrukturen
- (Vektor‑)Funktionen auf NumPy-Arrays
- Heterogene Datenstrukturen in pandas
- Ein- und Ausgabe verschiedener Dateiformate
- Visualisierungen mit verschiedenen Diagrammtypen in Matplotlib
- Tag 2 | Machine Learning: Klassische statistische Verfahren mit scikit-learn
- Grundprinzipien und Klassen maschineller Lernverfahren
- Herausforderungen maschinellen Lernens in der Praxis
- Überwachtes Lernen (engl. supervised learning):
- Klassifikation
- Regression
- Support Vector Machines (SVMs)
- Entscheidungsbäume
- Unüberwachtes Lernen (engl. unsupervised learning):
- Clustering
- Anomalieerkennung
- Bestärkendes Lernen (engl. reinforcement learning)
- Tag 3 | Deep Learning: Künstliche neuronale Netze mit Keras und TensorFlow
- Grundlegende Funktionsweise künstlicher neuronaler Netze
- Deep-Learning-Modelle und ‑Schichten
- Computer Vision mit Convolutional Neural Networks (CNNs)
- Herausforderungen und Schwachstellen bei Deep Learning
- Kurzer Einblick in Large Language Models (LLMs)
Kursziele
Beantwortung vieler grundlegender Fragen:
- Wie hängen «künstliche Intelligenz» und «Machine Learning» zusammen?
- Welche Arten von Machine-Learning-Algorithmen gibt es und wie funktionieren sie in ihren Grundzügen?
- Wie lassen sich Datenaufbereitung, klassische statistische Verfahren und künstliche neuronale Netze in Python realisieren?
- Wieso sind Qualität und Quantität von Trainingsdaten so unentbehrlich?
- Wo lassen sich künftig KI-Lösungen mit welchem Aufwand realistisch einsetzen?
Zielgruppen
- Personen aus dem Softwarebereich mit erster Programmiererfahrung (bevorzugt in Python), die erste Schritte im Bereich des maschinellen Lernens gehen und so einen Überblick erhalten möchten.
Referent
Christian Heitzmann ist Java-, Python- und Spring-zertifizierter Softwareentwickler mit einem CAS in Machine Learning und Inhaber der SimplexaCode AG in Luzern. Er entwickelt seit über 20 Jahren Software und gibt seit über 12 Jahren Unterricht und Kurse im Bereich der Java- und Python-Programmierung, Mathematik und Algorithmik. Als Technical Writer dokumentiert er Softwarearchitekturen für Unternehmen und schreibt regelmässig Artikel für IT-Fachzeitschriften.
Kurzlink auf diese Seite: link.simplexacode.ch/wumg2024.03