Grundlegendes Wissen zu KI, Machine Learning und Data Science
Machine Learning Methoden wie Supervised, Unsupervised Learning und Reinforcement Learning, z.B Klassifikation, Clustering, Regression, Dimensionality Reduction
Grundsätzliches Wissen über die typischen Algorithmen wie: Linear/logistic regression, decision trees, random forests, support vector machines, K-means clustering, neural networks and deep learning
Wissen über Model evaluation: Cross-validation, Metrics (accuracy, precision, recall, F1-score), Bias-variance tradeoff
Erfahrung mit typischen Frameworks wie sk-learn, TensorFlow, PyTorch
Erfahrung mit Jupyter Notebooks oder ähnlichen Rapid Application Development (RAD) Werkzeugen
Wissen über die technischen Verfahren hinter KI, einschließlich: Maschinelles Lernen inkl. Deep Learning und LLMs, NLP-Ansätze (Natural Language Processing), Transformationsmodelle
Praktische Erfahrung mit Trainieren von Künstlichen Intelligenz Modellen
Ich finde, der Kurs richtet sich eher an Architekt:innen, nicht an ML-Expert:innen, oder? Bei ersteren sollte "Grundwissen plus ein wenig damit gespielt haben" ausreichen. Im Alltag arbeiten sie ja mit Data Scientists, KI-Expert:innen und Softwareentwickler:innen zusammen, die sind dann für die harten Sachen zuständig und brauchen Erfahrung, das ist klar.
Folgende Voraussetzung sollte man meiner Meinung nach herausnehmen oder als optional kennzeichnen:
Praktische Erfahrung mit Trainieren von Künstlichen Intelligenz Modellen
In den Voraussetzungen für die Teilnehmer:innen steht:
Ich finde, der Kurs richtet sich eher an Architekt:innen, nicht an ML-Expert:innen, oder? Bei ersteren sollte "Grundwissen plus ein wenig damit gespielt haben" ausreichen. Im Alltag arbeiten sie ja mit Data Scientists, KI-Expert:innen und Softwareentwickler:innen zusammen, die sind dann für die harten Sachen zuständig und brauchen Erfahrung, das ist klar.
Folgende Voraussetzung sollte man meiner Meinung nach herausnehmen oder als optional kennzeichnen: