Contents Menu Expand Light mode Dark mode Auto light/dark, in light mode Auto light/dark, in dark mode Skip to content
AI-Tutorial 24.1.0
Logo
AI-Tutorial 24.1.0
  • Einführung, Überwachtes Lernen und Regression
    • Definition von Künstlicher Intelligenz
    • Maschinelles Lernen (ML): Konzepte und Typen
    • Kategorien von Aufgaben
    • Trainingsdaten und Modellierung
    • Evaluation von ML-Modellen
    • Praktische Einführung: Lineare Regression
    • Fallstudie: Vorhersage von Immobilienpreisen
    • Diskussion und Fragen
    • Use Case Fallgruben – Diskussion zur Kundenabwanderung (Customer Churn Prediction)
    • Praxisbeispiel - Telko Kundenabgang-Vorhersage (Telco Customer Churn Prediction) bei Vertragskunden
    • Nachtrag: Ensemble Methoden in ML
    • Zusätzliche Materialien
    • ML Data Construction Showcase
    • Model Training & Evaluation
  • Vertiefung: Neuronale Netze, Deep Learning, Systemüberblick, Use Case Fallgruben
    • Praxisbeispiel - Datenverarbeitung - Deduplizieren
    • Modellverhalten: Overfitting, Regularisierung und Optimierung
    • Neuronale Netze und Deep Learning – Theorie
    • Neuronale Netze und Deep Learning – Optimierung
    • Praxisbeispiel - Bildklassifikation mit CNNs
    • Systemübersicht – wie Training, Testing, Inferencing und CI/CD zusammenhängen
  • Reinforcement Learning (RL)
    • Definitionen und Grundprinzipien in Reinforcement Learning (RL)
    • Markov-Entscheidungsprozesse (MDP)
    • Q-Learning - Theorie und Anwendung
    • Praxisbeispiel - Reinforcement Learning Hands-on: Roboter im Raum
  • Generative KI
    • Generative KI: Konzepte und Grundlagen
    • Lernpfad: Generative KI und LLMs
    • LLM-Intuition: Was macht ein Sprachmodell?
    • Tokens und Tokenisierung
    • Prompting und Prompt-Engineering
    • Embeddings: Text als Vektor
    • Semantische Ähnlichkeit: Vektoren vergleichen
    • Semantische Suche
    • RAG – Retrieval-Augmented Generation
    • RAG-Praxis: Retrieval-Augmented Generation (lokal)
    • Grenzen und Risiken von LLMs
    • Theorie (Mathematik) hinter Generativer KI
    • LLM-Interna (optional): Konzepte der Transformer-Architektur
    • microGPT-Walkthrough: Wie ein minimales GPT funktioniert (optional)
    • Micro-GPT art project by Andrej Karpathy
    • Einführung zu LLM (Large Language Models)
    • Infrastruktur und Architektur für GenAI
    • Hands-on Beispiel LLM (1)
    • Hands-on Beispiel LLM (2)
    • Praxisbeispiel - Telko Vertragskundenabgang-Vorhersage - Daten simulieren/kreieren
    • Praxisbeispiel - Telko Vertragskundenabgang-Vorhersage MIT simulierten Kunden-Service-Daten
    • Generative KI und Agents
    • Regulatorisches: AI Act, DSGVO & Co. - Zusammenfassung
    • Abschluss
    • Weitere Lernressourcen
  • Was ist neu?
Back to top
View this page

Zusätzliche Materialien¶

  • Einführung in Scikit-Learn

  • Python4DataScience – NumPy und pandas für Datenverarbeitung

  • PyViz-Tutorial – Matplotlib für Visualisierung

  • TensorFlow/Keras für Deep Learning (für spätere Module)

Next
ML Data Construction Showcase
Previous
Nachtrag: Ensemble Methoden in ML
Copyright © 2025, Min Ye, Veit Schiele
Made with Sphinx and @pradyunsg's Furo