KI-Projektmanager:in

Target Groups:

Der Lehrgang richtet sich an Informatiker:innen, Mathematiker:innen, Elektrotechniker:innen und Personen mit Studium der (Wirtschafts-)Ingenieurwissenschaften sowie an Fach- und Führungskräfte aus dem Projektmanagement, die sich mehr in digital-vernetzten und globalen Arbeitsprojekten einbringen möchten. 

Professional Requirements:

Gute Englisch-Kenntnisse und die Programmiersprache Python werden vorausgesetzt, Vorkenntnisse im Bereich Data Analytics werden empfohlen.

Technical Requirements:

Die Teilnahme am Unterricht erfolgt über Internet per Videotechnik. Voraussetzung für die Nutzung deiner eigenen Hardware ist die Installation der Applikation alfaview®: https://cloud.alfanetz.de/test Falls du keinen geeigneten Computer hast, erhältst du von uns das technische Equipment, um von zuhause aus am Kurs teilnehmen zu können. Sollten die räumlichen und technischen Voraussetzungen dir eine Teilnahme von zuhause aus nicht ermöglichen, kannst du deinen Kurs auch in einem unserer Bildungszentren absolvieren.

Classification of the Federal Employment Agency:

• C 1435-10-10 Softwareentwicklung, Programmierung - allgemein

Contents

Der Kurs führt durch die Themen des Machine Learning, wie die Kategorien überwachtes und unüberwachtes Lernen, sowie die Methoden des Deep Learning auf Basis von neuronalen Netzen. Abschließend wird das Projektmanagement-Framework Scrum vorgestellt, das seinen Fokus auf der Anwendersicht hat.

Machine Learning

Einführung in Machine Learning (ca. 5 Tage)
Warum Machine Learning?
Anwendungsbeispiele
Überwachtes Lernen, Unüberwachtes Lernen, Teilüberwachtes Lernen, Reinforcement Lernen
Beispiele für Datenbestände
Daten kennenlernen
Trainings-, Validierungs- und Testdaten
Daten sichten
Vorhersagen treffen

Überwachtes Lernen (ca. 5 Tage)
Klassifikation und Regression
Verallgemeinerung, Overfitting und Underfitting
Größe des Datensatzes
Algorithmen zum überwachten Lernen
Lineare Modelle
Bayes-Klassifikatoren
Entscheidungsbäume
Random Forest
Gradient Boosting
k-nächste-Nachbarn
Support Vector Machines
Conditional Random Field
Neuronale Netze und Deep Learning
Wahrscheinlichkeiten

Unüberwachtes Lernen (ca. 5 Tage)
Arten unüberwachten Lernens
Vorverarbeiten und Skalieren
Datentransformationen
Trainings- und Testdaten skalieren
Dimensionsreduktion
Feature Engineering
Manifold Learning
Hauptkomponentenzerlegung (PCA)
Nicht-negative-Matrix-Faktorisierung (NMF)
Manifold Learning mit t-SNE
Clusteranalyse
k-Means-Clustering
Agglomeratives Clustering
Hierarchische Clusteranalyse
DBSCAN
Clusteralgorithmen

Evaluierung und Verbesserung (ca. 2 Tage)
Modellauswahl und Modellevaluation
Abstimmung der Hyperparameter eines Schätzers
Kreuzvalidierung
Gittersuche
Evaluationsmetriken
Klassifikation

Projektarbeit (ca. 3 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)
Perceptron
Berechnung neuronaler Netze
Optimierung der Modellparameter, Backpropagation
Deep‐Learning‐Bibliotheken
Regression vs. Klassifikation
Lernkurven, Überanpassung und Regularisierung
Hyperparameteroptimierung
Stochastischer Gradientenabstieg (SGD)
Momentum, Adam Optimizer
Lernrate

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 von Modellen
Unüberwachtes Vortrainieren
Image‐Data‐Augmentation, Explainable AI

Regional CNN (ca. 1 Tag)
Objektlokalisierung
Regressionsprobleme
Verzweigte neuronale Netze

Methoden der kreativen Bilderzeugung (ca. 1 Tag)
Generative Adversarial Networks (GAN)
Deepfakes
Diffusionsmodelle

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
Transfer‐Learning in NLP
Übersetzungen
Seqence‐to‐Sequence‐Verfahren, Encoder‐Decoder‐Architektur

Sprachmodelle (ca. 1 Tag)
BERT, GPT
Attention‐Schichten, Transformers
Textgeneration‐Pipelines
Summarization
Chatbots

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



Agiles Projektmanagement mit Scrum: Master

Grundlagen (ca. 3 Tage)
Agiles Mindset
Agiles Projektmanagement: Überblick
Unterschiede und Ergänzungen zu traditionellen Projektmanagement-Methoden
Phasen eines agilen Projekts
Stärken und Schwächen des agilen Projektmanagements

Voraussetzungen/Rahmenbedingungen für agile Projekte (ca. 5 Tage)
Projektumfeld, Werte und Prinzipien
Anforderungen an agile Projekte auf technischer Ebene bei IT-Projekten
Übertragbarkeit agiler Methoden auf Projekte außerhalb der IT

Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Agile Methode Scrum (ca. 3 Tage)
Scrum-Philosophie
Die verschiedenen Ergebnisverantwortlichkeiten in Scrum und ihre Aufgaben: Scrum Master, Developer, Product Owner
Selbstorganisierte Teams
Die Scrum-Meetings: Sprint Planning, Daily Scrum, Sprint Review, Sprint Retrospektiven
Scrum-Artefakte: Product Backlog, Sprint Backlog, Increment
Planung mit Scrum
Auswirkungen auf Organisationen

Projektsteuerung (ca. 2 Tage)
Stakeholdermanagement
Problemerkennung und -behebung
Scaled Scrum/Nexus

Schlüsselfaktor Team (ca. 2 Tage)
Rahmenbedingungen für agile Teams
Verantwortung, Zusammenarbeit und Commitment im agilen Team
Effektive Team- und Selbststeuerung
Kommunikation im Team

Projektarbeit, Zertifizierungsvorbereitung und Scrum.org-Professional Scrum Master-Zertifizierung (PSM I) in englischer Sprache (ca. 5 Tage)

Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert.

Educational Goal

Nach dem Lehrgang besitzt du relevante Kenntnisse zu den Themen Machine Learning und Deep Learning. Du kennst die wichtigsten Gründe für die Verwendung des Machine Learning, Anwendungsgebiete sowie die verschiedenen Kategorien und Konzepte des Maschinellen Lernens. Zudem verstehst du die Einsatzbereiche von Deep Learning und die Funktionsweisen neuronaler Netzwerke. Du bist in der Lage, maschinelles Lernen bereitzustellen und Prozesse zu dokumentieren. Zusätzlich beherrschst du den Scrum-Prozess sicher und unterstützt Product Owner bei der Prozessabwicklung und -verbesserung. Du bist in der Lage, die Organisation und Moderation von Agile/Scrum-Meetings sowie die Umsetzung von Sprints zu übernehmen und bist mit Scrum-Artefakten vertraut.