Lektionen

Entdecken Sie, was Datensätze sind, warum Datenqualität wichtig ist und wie die richtigen Daten der KI beibringen, intelligent zu sein.

Erfahren Sie, was Algorithmen sind, wie sie anhand alltäglicher Beispiele funktionieren und warum die Wahl des richtigen Algorithmus für die KI wichtig ist.

Entdecken Sie, wie neuronale Netze das Gehirn nachahmen, Informationen über Schichten verarbeiten und aus ihren Fehlern lernen.

Verstehen Sie die Trainingsschleife, Verlustfunktionen und Überanpassung und erfahren Sie, wann Ihr KI-Modell bereit ist.

Entdecken Sie, wie Voreingenommenheit in KI-Systeme Einzug hält, welche ethischen Herausforderungen KI mit sich bringt und wie wir gerechtere Technologien entwickeln können.

Verstehen Sie, wie neuronale Netze lernen, indem sie Fehler rückwärts durch Schichten weitergeben und dabei die Kettenregel verwenden, um jedes Gewicht zu aktualisieren.

Entdecken Sie, wie Verlustfunktionen die Fehler eines Modells messen und wie Optimierer Gradienten nutzen, um diese systematisch zu reduzieren.

Erfahren Sie, wie Sprachmodelle mithilfe von BPE und anderen Algorithmen Text in Token aufteilen und warum die Tokenisierung alles von den Kosten bis zur Leistungsfähigkeit beeinflusst.

Entdecken Sie, wie KI Wörter und Sätze als Vektoren im hochdimensionalen Raum darstellt und so semantische Suche, Empfehlungen und RAG ermöglicht.

Erfahren Sie, warum Genauigkeit allein irreführend ist, und beherrschen Sie die Metriken – Präzision, Rückruf, F1, ROC-AUC, BLEU und Ratlosigkeit –, die die KI-Leistung wirklich messen.

Wie GPT, Claude und andere LLMs unter der Haube funktionieren

Verstehen Sie die beiden häufigsten Fehlermodi beim maschinellen Lernen – Überanpassung und Unteranpassung – anhand klarer Beispiele und wie Sie sie beheben können.

Erfahren Sie, wie Feature Engineering Rohdaten in leistungsstarke Eingaben für maschinelles Lernen umwandelt – die Fähigkeit, die gute Modelle von großartigen unterscheidet.

Ein klarer Vergleich von überwachtem und unüberwachtem maschinellem Lernen – wann die einzelnen Ansätze zu verwenden sind, mit Beispielen und Algorithmen aus der Praxis.

Erfahren Sie, wie Entscheidungsbäume funktionieren, warum sie zu den intuitivsten ML-Algorithmen gehören und wann Sie sie verwenden.

Verstehen Sie Clustering – eine wichtige Technik des unbeaufsichtigten Lernens – durch K-Means, hierarchisches Clustering und reale Anwendungen.