AI/ML Elective — Artificial Intelligence & Machine Learning

Dieser AI/ML-Elective-Kurs vermittelt einen umfassenden, aber kompakten Überblick über das gesamte KI-/ML-Spektrum — ideal für IT-Profis, die KI verstehen wollen ohne tiefe Programmier-Spezialisierung. Themen: 1. KI-Foundations (1 Woche) — Was ist KI? (Definitionen, Geschichte von ELIZA 1966 über Deep Blue 1997 zu GPT/Claude/Gemini 2024-2026), AI vs. ML vs. Deep Learning vs. Generative AI (klare Abgrenzung), Foundation Models, Frontier Models, Multimodal AI. Aktuelle Marktführer (OpenAI, Anthropic, Google DeepMind, Meta AI, Mistral, xAI). 2. Machine Learning Basics (2 Wochen) — Supervised Learning (Klassifikation und Regression mit Beispielen), Unsupervised Learning (Clustering, Dimensionalitätsreduktion), Reinforcement Learning (RLHF Reinforcement Learning from Human Feedback als wichtige Variante für LLMs). Klassische Algorithmen konzeptuell (Linear/Logistic Regression, Decision Trees, Random Forest, Gradient Boosting mit XGBoost/LightGBM/CatBoost, Support Vector Machines, k-Nearest Neighbors, k-Means Clustering). Tools-Übersicht (Scikit-learn als Industry-Standard, TensorFlow vs. PyTorch). Model Evaluation (Train/Test Split, Cross-Validation, Confusion Matrix, ROC/AUC, Precision/Recall/F1). Bias-Variance Tradeoff, Overfitting/Underfitting. 3. Deep Learning Konzepte (1 Woche) — Neuronale Netze (Neuronen, Layers, Activation Functions ReLU/Sigmoid/Softmax, Backpropagation, Gradient Descent mit Optimizers SGD/Adam/AdamW), Architekturen (Fully Connected, CNN für Vision, RNN/LSTM für Sequenzen — heute weitgehend ersetzt durch Transformer). Transfer Learning, Fine-Tuning. 4. Transformer und LLMs (1 Woche) — Attention is All You Need (Vaswani et al. 2017, Self-Attention, Multi-Head Attention), GPT-Architecture (Decoder-Only, Auto-Regressive), BERT-Architecture (Encoder-Only, Bidirectional), T5-Architecture (Encoder-Decoder). LLM-Training-Stages (Pre-Training auf Internet, Supervised Fine-Tuning SFT, RLHF Reinforcement Learning from Human Feedback, DPO Direct Preference Optimization als Alternative). Context Window, Tokens, Temperature, Top-P. 5. NLP — Natural Language Processing (1 Woche): Sentiment Analysis, Named Entity Recognition, Translation, Summarization, Question Answering, Text Generation. RAG Retrieval-Augmented Generation mit Vector Databases (Pinecone, Chroma, Weaviate, Qdrant). Embeddings (Word2Vec historisch, GloVe, jetzt BERT-Embeddings und OpenAI text-embedding-3-large/small). 6. Computer Vision (1 Woche) — Image Classification, Object Detection (YOLO, Faster R-CNN), Semantic Segmentation, OCR mit Tesseract/PaddleOCR. Foundation Models für Vision (CLIP, Vision Transformer ViT). 7. Generative AI (1 Woche) — Text mit GPT/Claude/Gemini, Bilder mit Diffusion Models (DALL-E, Midjourney, Stable Diffusion, FLUX), Videos mit Sora/Runway Gen-3/Pika, Audio mit ElevenLabs/Suno, Code mit GitHub Copilot/Cursor. 8. Use Cases im Unternehmen (1 Woche) — Marketing (Content, Ads), Vertrieb (Lead Scoring), HR (Resume Screening — mit Vorsicht wegen Bias), Finance (Fraud Detection, Credit Scoring), Operations (Predictive Maintenance, Forecasting), Customer Service (Chatbots, Sentiment). 9. AI Governance (1 Woche) — EU AI Act, NIST AI RMF, Ethik (Bias, Fairness, Explainability), Datenschutz (DSGVO im KI-Kontext). Praxis: Hands-on mit ChatGPT, Claude, Microsoft Copilot, eigene RAG-Mini-Anwendung mit Python.