Künstliche Intelligenz verstehen – 48 Stunden strukturiertes Lernen
Dieser Kurs behandelt grundlegende Konzepte maschinellen Lernens, neuronaler Netze und praktischer KI-Anwendungen. Sie arbeiten mit realen Datensätzen und entwickeln eigene Modelle unter Anleitung erfahrener Entwickler.
Zusammenarbeit mit der Praxis
Industrieprojekte
Gemeinsame Forschung mit mittelständischen Unternehmen im Bereich Prozessoptimierung und Datenanalyse. Studierende arbeiten an echten Geschäftsfällen.
Technische Kooperation
Zugang zu Cloud-Infrastruktur und Entwicklungstools durch Partnerschaften mit Technologieanbietern. Realistische Arbeitsumgebung für Lernende.
Wissenschaftlicher Austausch
Regelmäßige Gastvorträge von Forschern verschiedener Universitäten. Diskussion aktueller Entwicklungen und methodischer Ansätze.
Zahlen zum Lernprozess
Was macht den Inhalt aktuell?
KI-Technologien entwickeln sich schnell. Dieser Kurs konzentriert sich auf fundamentale Prinzipien, die langfristig relevant bleiben – mathematische Grundlagen, Algorithmenverständnis, Problemlösungsansätze.
Aktuelle Frameworks
TensorFlow und PyTorch werden behandelt, aber der Fokus liegt auf übertragbaren Konzepten statt auf spezifischen Tool-Versionen.
Mathematische Basis
Lineare Algebra und Wahrscheinlichkeitstheorie als Grundlage – unveränderliche Fundamente, die jede KI-Anwendung unterstützen.
Praktische Anwendungsfälle
Bildverarbeitung, Textanalyse, Vorhersagemodelle – Bereiche mit stabiler industrieller Nachfrage und klaren Einsatzszenarien.
Was können Sie nach dem Kurs?
Neuronale Netze implementieren
Sie schreiben funktionsfähige neuronale Netze von Grund auf und verstehen, wie Backpropagation, Aktivierungsfunktionen und Optimierer zusammenwirken.
Datensätze vorbereiten
Datenbereinigung, Normalisierung, Feature-Engineering – praktische Fähigkeiten, die 70% der tatsächlichen KI-Arbeit ausmachen.
Modelle evaluieren
Sie wählen geeignete Metriken, erkennen Overfitting, verstehen Cross-Validation und interpretieren Ergebnisse kritisch.
Wie funktioniert das Lernen?
Der Kurs kombiniert theoretische Erklärungen mit direkter praktischer Anwendung. Jedes Konzept wird sofort am Code getestet.
Theorieblöcke ohne direkten Praxisbezug, lange Verzögerung zwischen Konzept und Anwendung
Breite akademische Abdeckung ohne Fokus auf unmittelbar nutzbare Fähigkeiten
Semesterlange Programme mit festen Zeitplänen und begrenzter Flexibilität
Jedes Konzept wird innerhalb von 30 Minuten im Code umgesetzt und getestet
Fokus auf 20% der Techniken, die 80% der praktischen Probleme lösen
48 Stunden strukturiertes Material, zugänglich nach eigenem Tempo
Zeitliche Struktur
Wochen 1-2: Grundlagen
Python-Auffrischung, NumPy, Pandas. Mathematische Grundlagen: Vektoren, Matrizen, Wahrscheinlichkeit. Erste einfache lineare Modelle.
Wochen 3-4: Neuronale Netze
Perceptron, Multilayer Networks, Backpropagation. Implementierung ohne Frameworks, dann mit TensorFlow. Klassifizierungsprobleme.
Wochen 5-6: Deep Learning
Convolutional Networks für Bildverarbeitung, Recurrent Networks für Sequenzen. Transfer Learning und vortrainierte Modelle.
Wochen 7-8: Anwendung
Deployment, Model Serving, Performance-Optimierung. Abschlussprojekt mit realem Datensatz nach eigener Wahl.
Erfahrungen von Absolventen
Annika Westphal
Data Analyst bei Mittelstandsunternehmen
Ich hatte Statistik-Grundlagen, aber keine Programmiererfahrung. Der Kurs hat mich nicht überfordert – jeder Schritt war nachvollziehbar. Nach drei Monaten konnte ich erste Vorhersagemodelle für unsere Verkaufsdaten bauen.
Livia Bergström
Junior ML Engineer
Der mathematische Teil war anspruchsvoll, aber notwendig. Ohne Verständnis der Grundlagen hätte ich später Probleme gehabt. Die Projekte waren realistisch – keine künstlichen Beispiele, sondern Situationen aus echten Entwicklungsprozessen.