Zum Inhalt springen
KnowledgeCity

Artificial Intelligence

Kursfilter
Fähigkeitsstufe
Länge
Alle Filter löschen
41 cursussen voor 'Artificial Intelligence'
Wir haben nichts gefunden, aber kommen Sie wieder! Jeden Monat gibt es neue Inhalte!
KI-Ethik und Rechenschaftspflicht 2h 31m • 54 Lektionen • Fortgeschrittene Anfänger Dieser Kurs über KI-Ethik und Rechenschaftspflicht gibt einen gründlichen Überblick über ethische Überlegungen und Grundsätze im Zusammenhang mit der Rechenschaftspflicht in KI-Systemen. Sie lernen Prinzipien kennen, die nur für KI-Systeme gelten, wie z. B. die Erklärbarkeit, sowie allgemeinere Prinzipien, wie z. B. das Prinzip des gleichberechtigten Zugangs zu Technologien, Dienstleistungen und Möglichkeiten.
KI-Ethik und Rechenschaftspflicht: Moderne Entwicklung künstlicher Intelligenz 24m • 7 Lektionen • Fortgeschrittene Anfänger Diese Lektionen über die Entwicklung moderner künstlicher Intelligenz befassen sich mit der Geschichte und dem Hintergrund der künstlichen Intelligenz sowie mit den grundlegenden Aspekten und Konzepten der künstlichen Intelligenz, einschließlich der Frage, wie KI als Entscheidungssystem funktioniert.
KI-Ethik und Rechenschaftspflicht: Einzigartige Herausforderungen von KI und maschinellem Lernen 16m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über KI und die einzigartigen Herausforderungen des maschinellen Lernens lernen Sie die verschiedenen Arten des maschinellen Lernens kennen, darunter das überwachte Lernen, bei dem markierte Daten zur Erstellung von Vorhersagen verwendet werden, das unüberwachte Lernen, eine Reihe von Techniken zum Verständnis der Datenstruktur ohne Ergebnisvariable, und das verstärkende Lernen, eine der ältesten Arten des maschinellen Lernens, die eine zielorientierte Lernmethode verwendet.
AI Ethics and Accountability: Introduction to Ethical Artificial Intelligence 21m • 7 Lektionen • Fortgeschrittene Anfänger In these lessons, you’ll learn about the governance landscape around AI. You will learn about AI alignment with human values and external impacts that are indirectly related to the creation and deployment of any AI system, such as environmental impacts. You will also learn about AI systems that do deliberate harm and dark patterns, deceptive design patterns that are used to influence individuals to perform an action that may not be in their best interest.
KI-Ethik und Rechenschaftspflicht: Rechenschaftspflicht in der KI 8m • 4 Lektionen • Fortgeschrittene Anfänger Rechenschaftspflicht ist ein wichtiger Bestandteil der KI-Ethik und in allen Phasen des Lebenszyklus eines KI-Systems von Bedeutung, einschließlich während der Entwicklung, nach der Einführung und wenn ein Schaden durch das System entsteht.
KI-Ethik und Rechenschaftspflicht: Privatsphäre, Sicherheit und Schutz in der künstlichen Intelligenz 13m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über Datenschutz, Sicherheit und Gefahrenabwehr bei künstlicher Intelligenz werden die Allgemeine Datenschutzverordnung, die Einwilligung, die Datenübertragbarkeit, die Möglichkeit, die Verarbeitung einzuschränken, das Recht auf Berichtigung und das Recht auf Löschung behandelt.
KI-Ethik und Rechenschaftspflicht: Transparenz und Erklärbarkeit in der Künstlichen Intelligenz 14m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über Transparenz und Erklärbarkeit in der Künstlichen Intelligenz lernen Sie etwas über Erklärbarkeit und Interpretierbarkeit und deren Überschneidung mit den Konzepten der Black Box und Glass Box AI. Sie befassen sich mit den Vor- und Nachteilen von Open-Source-Software bei der Entwicklung eines KI-Systems.
KI-Ethik und Rechenschaftspflicht: Voreingenommenheit, Inklusivität und Fairness in der künstlichen Intelligenz 8m • 4 Lektionen • Fortgeschrittene Anfänger Diese Lektionen über Voreingenommenheit, Inklusivität und Fairness in der künstlichen Intelligenz werden untersuchen, warum Voreingenommenheit eines der meistdiskutierten Konzepte im Bereich der KI-Ethik ist und warum die Vermeidung von Voreingenommenheit Teil der Steuerung jedes KI-Systems sein sollte. Außerdem werden in diesen Lektionen die Konzepte der Fairness, der Repräsentativität und des Prinzips der inklusiven Wirkung behandelt.
KI-Ethik und Rechenschaftspflicht: Berufliche Verantwortung und menschliche Kontrolle der KI-Technologie 8m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen über professionelle Verantwortung und menschliche Kontrolle von KI lernen Sie das allgemeine Prinzip der menschlichen Kontrolle von Technologie kennen und erfahren, wie es sich mit der Entwicklung von KI-Systemen überschneidet.
AI Ethics and Accountability: Artificial Intelligence and Sociotechnical Systems 17m • 6 Lektionen • Fortgeschrittene Anfänger In these lessons on AI and Sociotechnical System Impact on Society and Human Values, you’ll learn how human rights may be impacted by AI and understand the intersection of civil rights and civil liberties with AI. You’ll learn about the principle of equal access to technology, services, and opportunities and how this broad principle will change as AI develops further.
KI-Ethik und Rechenschaftspflicht: Kritische Vorfälle im Bereich der künstlichen Intelligenz 14m • 3 Lektionen • Fortgeschrittene Anfänger Diese Lektionen über kritische Vorfälle im Bereich der künstlichen Intelligenz befassen sich mit bedeutenden KI-Vorfällen anhand einer Reihe von Beispielen aus der realen Welt, bei denen es zu negativen Ergebnissen in der KI kam, wie sie gelöst wurden und wie sie hätten verhindert werden können. Insbesondere werden Sie Fallstudien durcharbeiten, die sich auf Fragen der Identität und Diskriminierung, beleidigende Inhalte und rechtliche Auswirkungen konzentrieren.
Maschinelles Lernen 55m • 20 Lektionen • Anfänger In diesem Kurs lernen Sie die Grundlagen des maschinellen Lernens kennen. Sie erhalten eine Einführung in das maschinelle Lernen und einige der damit verbundenen Konzepte und Themen. Sie werden die verschiedenen Arten und Kategorien des maschinellen Lernens verstehen. Dieser Kurs behandelt auch die Implementierung von Machine-Learning-Modellen in Python unter Verwendung des scikit-learn-Pakets.
Einführung in das maschinelle Lernen 13m • 6 Lektionen • Anfänger In diesem Kapitel werden das maschinelle Lernen und seine beiden Hauptkategorien, überwachtes und unüberwachtes Lernen, vorgestellt. Sie erfahren, was sie sind und wie sie verwendet werden. Sie werden auch erfahren, wie maschinelles Lernen mit künstlicher Intelligenz zusammenhängt. Die Bedeutung von Daten wird in diesem Kapitel diskutiert und erklärt. In diesem Kapitel wird auch der Unterschied zwischen Klassifizierung und Regression beim maschinellen Lernen erklärt.
Unüberwachte Methoden des maschinellen Lernens 14m • 3 Lektionen • Anfänger In diesem Kapitel werden Konzepte und Techniken des unüberwachten maschinellen Lernens vorgestellt. Es behandelt Gaußsche Mischmodelle. Außerdem werden verschiedene Arten des Clustering behandelt. In diesem Kapitel wird auch das Konzept des mannigfaltigen Lernens und der Unterschied zwischen verschiedenen Typen vorgestellt.
Methoden des überwachten maschinellen Lernens 15m • 4 Lektionen • Anfänger In diesem Kapitel lernen Sie die Konzepte und Techniken des überwachten Lernens kennen. Es wird die lineare und logistische Regression behandelt. Sie lernen Support-Vektor-Maschinen und deren Einsatzmöglichkeiten kennen. In diesem Kapitel werden auch Entscheidungsbäume, Zufallswälder und Ensemble-Lernen behandelt, und es wird erklärt, wie sie alle miteinander zusammenhängen. Auch neuronale Netze werden in diesem Kapitel behandelt.
Herausforderungen und Anwendungen des maschinellen Lernens 10m • 5 Lektionen • Anfänger Dieses Kapitel befasst sich mit den Herausforderungen und Anwendungen im Bereich des maschinellen Lernens. Es wird die Modellauswahl für maschinelles Lernen sowie ethische und andere wichtige Überlegungen behandeln. Spezifische Herausforderungen im Bereich des maschinellen Lernens - sowie einige der beliebtesten Anwendungen - werden ebenfalls behandelt.
Modellierung von Klassifikationen 1h 56m • 32 Lektionen • Fortgeschrittene Anfänger
Genehmigt von
International Institute of Business Analysis (IIBA®)
In diesem Kurs lernen Sie die Grundlagen der Klassifikationsmodellierung durch maschinelles Lernen kennen. Sie werden die typische Klassifizierungsmodell-Pipeline und die anwendbaren Probleme, auf die die Klassifizierung angewendet werden kann, untersuchen. Außerdem lernen Sie, wie Sie die für die Erstellung eines brauchbaren Klassifikationsmodells erforderlichen Daten sammeln, vorverarbeiten und analysieren.
Maschinelles Lernen und Klassifizierung 26m • 6 Lektionen • Fortgeschrittene Anfänger Diese Lektionen führen in die Klassifizierungsmodellierung und ihren Problembereich innerhalb des überwachten maschinellen Lernens ein. Sie lernen den Unterschied zwischen Klassifizierung und Vorhersage kennen und erfahren, wie sich die Klassifizierungsmodellierung in den größeren Bereich des maschinellen Lernens einfügt. Sie werden lernen, wie Sie Klassifizierungsprobleme angehen können, und Sie werden in die typische Klassifizierungsmodell-Pipeline eingeführt.
Klassifikationsprobleme 27m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen wird der typische Modellbildungsprozess in Bezug auf die Klassifikationsmodell-Pipeline erläutert. Außerdem erhalten Sie eine Einführung in binäre und mehrklassige Klassifizierungsprobleme sowie in die Möglichkeiten, diese am besten zu nutzen. Sie lernen, wie Sie mit Hilfe von Feature Engineering die besten Dateneingaben für Ihre Klassifizierungsmodelle herausfinden.
Klassifizierungsalgorithmen/Modelle 34m • 8 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie die gebräuchlichsten Klassifizierungsalgorithmen kennen und erfahren, für welche Probleme sie typischerweise eingesetzt werden. Es werden verschiedene Modellierungsarten behandelt, darunter: Regression, Naive Bayes, Support Vector Machines, Entscheidungsbäume, Random-Forest-Modelle, k-Nearest-Neighbor Algorithmus und Mehrklassenmodelle.
Herausforderungen 16m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie, wie Sie das richtige Modell auswählen, indem Sie die Kompromisse zwischen den Modellen berücksichtigen. Sie werden auch lernen, wie man mit den üblichen Herausforderungen bei Klassifizierungsmodellen umgeht, einschließlich Verzerrungen, Fairness und Problemen bei der Datenerfassung.
Anwendungen 10m • 4 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie die verschiedenen Anwendungen der Klassifikationsmodellierung in realen Szenarien kennen. Sie erfahren, wie Klassifizierungsmodelle und künstliche Intelligenz in der medizinischen Bildgebung, Diagnose und Prävention eingesetzt werden und wie Forscher hoffen, die Gesundheitsversorgung weltweit zu verbessern.
Neuronale Netze 1h 25m • 24 Lektionen • Anfänger In diesem Kurs lernen Sie die Grundlagen der neuronalen Netze kennen. Sie erhalten eine Einführung in neuronale Netze und eng verwandte Konzepte und Themen. Sie werden in der Lage sein, die verschiedenen Designaspekte von neuronalen Netzen zu verstehen und zu verstehen, wie man eine Auswahl für sie trifft. Der Kurs behandelt auch die Implementierung neuronaler Netze, insbesondere in Python.
Einführung in neuronale Netze 17m • 5 Lektionen • Anfänger In diesem Kapitel werden neuronale Netze vorgestellt. Sie erfahren, was sie sind und wie sie verwendet werden. Sie lernen auch die grundlegendste Art von neuronalen Netzwerken kennen. Inputs und Outputs werden in diesem Kapitel besprochen und erklärt. In diesem Kapitel wird auch der Unterschied zwischen Klassifikation und Regression für neuronale Netze erläutert.
Entwurf neuronaler Netze 29m • 7 Lektionen • Anfänger In diesem Kapitel werden Konzepte für den Entwurf neuronaler Netze vorgestellt. Es wird die Bedeutung von Daten sowohl für die Leistung als auch für die Auswahl von neuronalen Netzen behandelt. Es wird auch erläutert, was Aktivierungsfunktionen, Verlustfunktionen und Optimierer sind und wie man sie auswählt. In diesem Kapitel werden Sie auch mit dem Training, dem Testen und der Validierung von neuronalen Netzen vertraut gemacht.
Implementierung neuronaler Netze 28m • 6 Lektionen • Anfänger In diesem Kapitel lernen Sie die Implementierung neuronaler Netze kennen. Es werden verschiedene Sprachen besprochen, die für die Implementierung neuronaler Netze verwendet werden können. Sie werden erfahren, warum Python als Programmiersprache für die Implementierung neuronaler Netze empfohlen wird. Dieses Kapitel behandelt auch verschiedene Frameworks für die Implementierung neuronaler Netze in Python.
Praktische Anwendungen für neuronale Netze 7m • 4 Lektionen • Anfänger Dieses Kapitel befasst sich mit den praktischen Einsatzmöglichkeiten und Anwendungen neuronaler Netze. Es wird behandelt, wie neuronale Netze für Cybersicherheit, Automatisierung, Erkennung von Anomalien und prädiktive Systeme eingesetzt werden können.
Clustering im maschinellen Lernen 2h 38m • 37 Lektionen • Fortgeschrittene Anfänger
Genehmigt von
International Institute of Business Analysis (IIBA®)
In diesem Kurs lernen Sie die Grundlagen einer Vielzahl von Bereichen des maschinellen Lernens kennen, darunter Clustering, Anomalieerkennung und Assoziationsmodellierung. Sie lernen die gängigste Methode des Clustering, k-Means-Algorithmus. Sie kennen und erfahren, wie sie auf Umfragedaten angewendet werden kann, um eine robuste Kundensegmentierung zu erstellen, einschließlich der Erstellung von Personas und eines Typisierungstools.
Analyse von Datenclustern 36m • 7 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen wird das Clustering und sein Problembereich innerhalb des unüberwachten maschinellen Lernens vorgestellt. Sie lernen die Kombinationen von Clustering mit anderen Modellierungsschritten wie Dimensionsreduktion, Feature Engineering und Vorhersage kennen. Sie werden auch lernen, wie man Clustering von einem geschäftlichen Standpunkt aus betrachtet und für welche Arten von Problemen es nützlich ist.
K-means-Clustering 52m • 8 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen wird die gängigste Form des Clustering, k-means, vorgestellt und ein detaillierter Anwendungsfall einer Kundensegmentierung durchgespielt. Sie lernen, wie man Eingabevariablen auswählt, die Anzahl der Cluster bestimmt und die Zentroide interpretiert. Sie lernen, wie Sie die Qualität eines Clusteranalysemodells bewerten und wie Sie die mit dem Clustering verbundenen rechnerischen Herausforderungen bewältigen können.
Clustering-Algorithmen 24m • 6 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie die gebräuchlichsten Clustering-Algorithmen kennen und erfahren, für welche Probleme sie typischerweise eingesetzt werden. Wir werden ihre relativen Stärken und Schwächen und die Kompromisse zwischen ihnen behandeln und bewerten.
Assoziationsregeln 16m • 4 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie Assoziationsregeln kennen und erfahren, wie sie auf Einzelhandelsgeschäfte, E-Commerce-Websites und Medienplattformen angewendet werden können. Im Gegenzug werden wir die drei wichtigsten Messgrößen - Support, Confidence und Lift - erforschen und lernen, wie man sie interpretiert.
Anomalien 16m • 5 Lektionen • Fortgeschrittene Anfänger In diesen Lektionen lernen Sie verschiedene Methoden der Anomalieerkennung und ihre praktischen Anwendungen kennen. Sie werden lernen, wie verschiedene Arten des maschinellen Lernens bei der Erkennung von Anomalien eingesetzt werden können und welche spezifischen Clustering-Methoden für die Erkennung von Anomalien geeignet sind. Im Gegenzug werden wir Isolation Forests erforschen und wie sie in der realen Anwendung der Betrugserkennung eingesetzt werden können.
Verwendung/Anwendungen 10m • 5 Lektionen • Fortgeschrittene Anfänger Diese Lektionen führen Sie durch verschiedene Anwendungsfälle und reale Anwendungen der im Kurs behandelten Methoden. Die Anwendungsfälle decken verschiedene Szenarien ab, darunter Medizin, Einzelhandel und Marketing.
TensorFlow für Anfänger 1h 49m • 22 Lektionen • Anfänger In diesem Kurs über TensorFlow lernen Sie zunächst, wie maschinelles Lernen verwendet werden kann, um reale Probleme in verschiedenen Bereichen wie Finanzen und Biologie zu lösen. Sie werden Klassifizierungsmodelle, Pandas-Datenverarbeitung, Seaborn-Visualisierung sowie Modellevaluation und Leistungsmetriken kennenlernen.
TensorFlow für Anfänger: Was ist TensorFlow? 15m • 3 Lektionen • Anfänger TensorFlow ist eine beliebte Open-Source-Softwarebibliothek für Deep Learning und wird häufig in Anwendungen für maschinelles Lernen verwendet. In diesen Lektionen lernen Sie die gängigste Aufteilung zwischen Training und Validierung kennen und wie wichtig es ist, ein Gleichgewicht zwischen den beiden Sets zu halten. Sie werden auch eine der Vorverarbeitungstechniken entdecken, die TensorFlow für Bilder anbietet und die für die Verbesserung der Genauigkeit des Modells entscheidend ist.
TensorFlow Einsteiger: Deep Learning mit TensorFlow 20m • 3 Lektionen • Anfänger Deep Learning ist ein sich schnell entwickelnder Bereich, und ein grundlegendes Verständnis der verschiedenen Methoden und Techniken, die beim Deep Learning verwendet werden, kann für Fachleute in diesem Bereich sehr wertvoll sein. In diesen Lektionen lernen Sie die verschiedenen Deep-Learning-Methoden kennen, die in diesem Bereich verwendet werden, darunter Convolutional Neural Networks (CNNs) und Multilayer Perceptrons (MLPs).
TensorFlow für Anfänger: Neuronale Netze 19m • 3 Lektionen • Anfänger Neuronale Netze sind zu einem festen Bestandteil des maschinellen Lernens geworden und können in einer Vielzahl von Anwendungen eingesetzt werden, von der Bildverarbeitung bis zur Verarbeitung natürlicher Sprache. In diesen Lektionen werden Sie die grundlegenden Konzepte neuronaler Netze kennenlernen, einschließlich künstlicher neuronaler Netze (ANNs) und der Methode der kleinsten Quadrate.
TensorFlow-Einsteiger: Transfer-Lernen 20m • 4 Lektionen • Anfänger Transfer-Lernen ist eine leistungsstarke Technik des maschinellen Lernens, bei der vortrainierte Modelle verwendet werden, um die Leistung der eigenen Modelle zu verbessern. In diesen Lektionen lernen Sie die verschiedenen Vorteile des Transferlernens kennen und erfahren, wie Sie vorab trainierte Modelle verwenden können, um die Leistung Ihrer maschinellen Lernprojekte zu verbessern.
TensorFlow-Einsteiger: Zusatzprogramme für TensorFlow 13m • 3 Lektionen • Anfänger TensorFlow ist ein mächtiges Werkzeug für maschinelles Lernen, aber es gibt auch eine Reihe von Add-ons, die seine Fähigkeiten erweitern können. In diesen Lektionen werden Sie die verschiedenen verfügbaren Add-ons erforschen und erfahren, wie Sie diese effektiv in Ihren Machine-Learning-Projekten einsetzen können.
TensorFlow für Anfänger: Anwendungen aus der realen Welt 18m • 4 Lektionen • Anfänger In diesen Lektionen lernen Sie, wie Sie Techniken des maschinellen Lernens anwenden können, um komplexe reale Probleme in verschiedenen Bereichen wie Finanzen und Biologie zu lösen. Sie lernen Klassifizierungsmodelle kennen und erfahren, wie diese zur Lösung von Herausforderungen wie der Analyse der Belastung eines Staudamms eingesetzt werden können.
Sind Sie bereit für ein produktives, engagiertes und sachkundiges Team? Beginnen Sie noch heute