Deep Learning für autonomes Fahren und Machine-Learning-Bibliotheken mit Zusatzqualifikation: Tableau, statistische Datenanalyse mit R, Data Science, Prompt Engineering und AI-Development

Nach Abschluss der Weiterbildung verfügen Sie über Kenntnisse in Deep Learning für autonomes Fahren und den Einsatz von Machine-Learning-Bibliotheken. Sie analysieren Daten mit R, erstellen Visualisierungen in Tableau und entwickeln Data-Science-Modelle. Sie beherrschen Prompt Engineering und AI-Development, um innovative Lösungen zu gestalten. Diese Fähigkeiten ermöglichen Ihnen Tätigkeiten in der Entwicklung autonomer Systeme, der Datenanalyse und der Implementierung von KI-Anwendungen in verschiedenen Branchen.

Deep Learning Grundlagen

• Aufgaben und Funktion von Deep Learning
• Trainieren eines Neuronalen Netzes
• Abgrenzung von Machine Learning und Deep Learning
• Neuronale Netze
• Keras
• Verbindungen zu TensorFlow

Datenvisualisierung mit Tableau

• Einführung in Tableau und Verstehen von Datenmodellierung
• Darstellen von Veränderungen durch Ranglisten und Bump-Diagramme
• Aggregationen, Berechnungen und Parameter
• Verwendung von Kartendiensten
• Erstellen von interaktiven Dashboards
• Erstellen von Umsatzkarten und Visualisierung von Verkaufsdaten
• Geografische Analyse

Datenanalyse mit R

• Grundlagen der Arbeit mit R
• Datenmanagement und diskriptive Statistiken in R
• Importieren, Analysieren und Exportieren von Datensätzen
• Diagramme in ggplot2
• Regressionsanalysen
• Vertiefende lineare Regression
• Anwendung von R in der Forschung

Einführung in Data Science

• Einführung in Pandas und Dataframes
• Grundlegende statistische Kenngrößen
• Datenvisualisierung
• Datenreinigung
• Einführung in Machine Learning
• K-means Clustering
• Tensoren

Prompt Engineering und KI-Entwicklung

• Einführung in Prompt Engineering: Grundlagen und Überblick
• Nutzung von ChatGPT: Anwendungsmöglichkeiten und Potenziale
• Training von ChatGPT: Verbesserung der Leistung durch Feinabstimmung
• Interaktive Konversation: dialogbasierte Nutzung von ChatGPT
• Anwendungsdesign für ChatGPT: Strukturierung von Benutzerschnittstellen
• Konversationelle Herangehensweise: interaktive Nutzung von ChatGPT in Chatsystemen

Chatbot Entwicklung und Optimierung

• Einführung in AI-Development
• Aufbau eines einfachen Chatbots
• Trainieren von Chatbot-Modellen
• Interaktive NLP-Grundlagen für Chatbots
• Fortgeschrittene Chatbot-Techniken
• Optimierung und Evaluation von Chatbots
• AI-Ethik und Datenschutz in Chatbots