15010 Grundkonzepte der KI - Deutsche Akademie für Management

Studienbriefautor:
Prof. Dr. Markus Dormann

Inhalt:

1. Daten als Grundlage

1.1 Der Ablauf des Trainings einer KI mit Daten

1.2 Zur zentralen Bedeutung von Daten

1.3 Datenquantität und -qualität

1.4 Datenvorverarbeitung

1.5 Feature-Extraktion: Konzentration auf das Wesentliche

1.6 Feature-Auswahl: Effizienz durch Fokussierung auf Relevanz

1.7 Datenaufbereitung und Umgang mit fehlenden Daten

2. Algorithmen und Modelltypen

2.1 Modell

2.2 Algorithmen

2.3 Lineare Modelle

2.4 Entscheidungsbäume

2.5 Clustering-Algorithmen

2.6 Ensemble-Methoden

3. Machine Learning

3.1 Was ist Machine Learning

3.2 Überwachtes Lernen (Supervised Learning)

3.3 Unüberwachtes Lernen (Unsupervised Learning)

3.4 Bestärkendes Lernen (Reinforcement Learning)

3.5 Semi-überwachtes Lernen (Semi-Supervised Learning)

3.6 Selbstüberwachtes Lernen (Self-Supervised Learning)

4. Neuronale Netze

4.1 Was sind neuronale Netze?

4.2 Aufbau eines neuronalen Netzes

4.3 Stärken und Grenzen von Neuronalen Netzen

4.3.1 Convolutional Neural Networks (CNN)

4.3.2 Residual Networks (ResNet)

4.3.3 Recurrent Neural Networks (RNN)

4.3.4 Generative Adversarial Networks (GAN)

4.4.5 Large Language Models (LLM)

5. Modellvalidierung

5.1 Mit Bias in Daten und Modellen umgehen

5.2 Evaluationsmetriken: Das Handwerkszeug der Validierung

5.3 Trainings und Testmethoden: Vertrauen schaffen durch solide Verfahren

5.4 Einfache, intrinsisch interpretierbare Modelle

5.5 Organisationale Transparenz und Nachvollziehbarkeit

5.6 Nutzen von Pre-Trained Models und Transfer Learning

5.7 Transfer Learning

6. Hardwarevoraussetzungen und KI

6.1 GPUs, TPUs und VRAM

6.2 Cloud‑Computing: Flexibilität vs. Kontrolle

6.3 Lokale KI: Chancen und Grenzen

6.4 Hybride KI-Architektur: Das Beste aus beiden Welten

Studienziele:

Nach der Lektüre dieses Modules sollten Sie verstehen, wie Daten als zentrale Grundlage für Künstliche Intelligenz dienen und welche Rolle deren Qualität, Verarbeitung und Auswahl für den Lernprozess spielen. Sie lernen verschiedene Modelltypen, Algorithmen sowie Machine-Learning-Verfahren kennen – von überwachten Lernformen bis hin zu neuronalen Netzen wie CNNs, RNNs oder LLMs. Zudem erwerben Sie Kenntnisse zur Validierung von Modellen, zum Umgang mit Bias und zu den technischen Voraussetzungen für den KI-Einsatz, einschließlich Hardware, Cloud-Computing und hybrider Architekturen.

Belegempfehlung:

Diese Lektüre ist für alle empfehlenswert, die ein fundiertes technisches Verständnis von Künstlicher Intelligenz aufbauen möchten.

Relevante Kurse: