Die Themen:

• Python Grundlagen: Grundlagen der Python-Programmierung: Verständnis von Programmen mittlerer Komplexität, Ent-wicklung einfacher Programme, Erstellung von Programmfunktionen, Kenntnisse in den grundlegen-den Programmierkonzepten: Datentypen und Kontrollstrukturen, Sequenzen, Mengen und Dictionaries.
• Python Datenstrukturen: Fortgeschrittene Konzepte der Python-Programmierung: Einführung in die objektorientierte Pro-grammierung mit Python, einschließlich der Grundkonzepte wie Vererbung, Polymorphismus und Ausnahmebehandlung, Erstellung und Strukturierung von Modulen sowie grundlegende Techniken der Datenverarbeitung.
• Objektorientierung und Computational Thinking in Python: Vertiefte Kenntnisse in der objektorientierten Programmierung und Einführung in zentrale Python-Bibliotheken für maschinelles Lernen: Erweiterung des Verständnisses für Konzepte wie Kapselung, Vererbung, Polymorphismus und Duck Typing. Vertiefung in die Arbeit mit Zeitreihen, einfacher linea-rer Regression, Rekursion sowie Such- und Sortieralgorithmen unter Berücksichtigung der Big-O-Notation. Einführung in Python-Bibliotheken für maschinelles Lernen, insbesondere Pandas und NumPy.
• Agiles Projektmanagement, Versionierung: Grundlagen des agilen Projektmanagements, insbesondere Scrum und Kanban, zur flexiblen Planung und Umsetzung von Projekten. Anwendung von Versionierungssystemen wie Git zur effektiven Code-verwaltung, Nutzung von Branches, Pull Requests und Konfliktlösung zur Teamarbeit und Sicherstel-lung der Code-Integrität.
• Machine Learning: Grundlagen des praktischen maschinellen Lernens” vermittelt essenzielle ML-Techniken mit NumPy, pandas und scikit-learn. Teilnehmende lernen Algorithmen wie lineare und logistische Regression, Random Forests sowie PCA zur Dimensionsreduktion. Ein Praxisprojekt rundet den Kurs ab.
• Deep Learning: Deep Learning mit PyTorch bietet eine praxisnahe Einführung in neuronale Netze. Neben Feedforward-Netzen werden CNNs für Bildklassifikation und RNNs für sequenzielle Daten behandelt. Zudem wird das Fine-Tuning vortrainierter Modelle angewendet. Ein Abschlussprojekt ermöglicht die praktische Umsetzung.
• Generative KI I: Grundlagen generativer Modelle mit Hugging Face Transformers, VAEs und GANs. Zudem wird die OpenAI API für Text- und Bildgenerierung genutzt. Das Fine-Tuning vortrainierter Modelle wie GPT oder T5 ermöglicht spezifische Anwendungen. Ein Praxisprojekt zur Entwicklung einer generativen KI-Anwendung schließt den Kurs ab.
• Generative KI II: Teilnehmende lernen, KI-Modelle mit Flask/FastAPI bereitzustellen, sie in ONNX zu konvertieren und in Cloud-Umgebungen zu implementieren. Optimierungstechniken für Echtzeit- und Batch-Inferenz sowie Anwendungen für IoT und Edge-Geräte werden behandelt. Der Kurs endet mit einem Praxisprojekt.
• Agiles Programmierprojekt KI:
  

  Im abschließenden agilen Programmierprojekt KI setzen die Teilnehmenden ihr erworbenes Wissen praxisnah um. In interdisziplinären Teams entwickeln sie eine vollständige KI-Anwendung von der Konzeption bis zur Bereitstellung. Dabei kommen agile Methoden wie Scrum oder Kanban zum Einsatz, um den Entwicklungsprozess flexibel und effizient zu gestalten.