Kurs KI Verstehen und Einordnen (Vorschlag)

Janette Kaspar BSc

Ein fundierter Einstieg in Maschinelles Lernen und Deep Learning

Künstliche Intelligenz ist in aller Munde – häufig reduziert auf Anwendungen wie ChatGPT. Doch KI ist weit mehr als generative Textmodelle. Dieser Kurs vermittelt ein solides Verständnis der grundlegenden Konzepte, Methoden und Modelle des maschinellen Lernens und der modernen KI – von ihren historischen Anfängen bis zu aktuellen Deep-Learning-Architekturen.

Kursziele

Ziel des Kurses ist es, ein strukturiertes, technisches und zugleich verständliches Fundament im Bereich Künstliche Intelligenz zu schaffen. Die Teilnehmerinnen lernen:

• wie sich KI historisch entwickelt hat und warum sie kein neues Phänomen ist,
• welche grundlegenden Lernparadigmen es gibt (supervised vs. unsupervised learning),
• wie einfache Modelle funktionieren und wo sie praktisch eingesetzt werden,
• wie neuronale Netze und Deep Learning aufgebaut sind,
• was Large Language Models (LLMs) technisch ausmacht,
• welche gesellschaftlichen, wirtschaftlichen und ethischen Herausforderungen mit kommerzialisierter KI verbunden sind.

Der Kurs legt besonderen Wert auf ein tiefes Verständnis der Mechanismen „hinter“ modernen KI-Systemen – unabhängig von aktuellen Hypes.

Inhalte

1. Historischer Überblick und Grundlagen der KIVon den frühen Visionen der KI-Forschung bis zur heutigen datengetriebenen KI: Wie lange wird bereits geforscht? Welche Paradigmenwechsel gab es? Warum erleben wir heute einen KI-Boom?

2. Unsupervised Learning – Muster erkennen ohne LabelsEinführung in grundlegende Konzepte des maschinellen Lernens am Beispiel von Clustering-Verfahren wie dem k-Means-Algorithmus.Was bedeutet „unüberwachtes Lernen“? Wie erkennt ein Algorithmus Strukturen in Daten? Praktische Beispiele verdeutlichen die Funktionsweise und typische Anwendungsfelder.

3. Supervised Learning – Klassifizieren, Detektieren, VorhersagenEinführung in überwachtes Lernen anhand anschaulicher Beispiele aus der Bildverarbeitung. Themen sind u. a.:

• Datenannotation
• Klassifikation
• Objektdetektion
• praktische Einblicke in moderne Ansätze wie YOLO (You Only Look Once)

Die Teilnehmerinnen verstehen, wie Trainingsdaten genutzt werden, um Modelle zu trainieren, und welche Herausforderungen dabei entstehen.

4. Neuronale Netze und Deep LearningGrundlagen künstlicher neuronaler Netze:

• Aufbau (Layer, Neuronen, Gewichte, Aktivierungsfunktionen)
• Trainingsprozesse (Backpropagation)
• Unterschied zwischen klassischen ML-Modellen und Deep Learning

Anschließend wird ein Einblick in moderne Deep-Learning-Architekturen gegeben und aufgezeigt, welche Anwendungen heute möglich sind – von Bild- und Spracherkennung bis zu generativen Modellen.

5. Large Language Models verstehenWas sind Large Language Models?Wie funktionieren Transformer-Architekturen?Wie wird ein Modell wie ChatGPT trainiert?

Der Kurs vermittelt ein grundlegendes technisches Verständnis dafür, was hinter LLMs steckt – und ordnet sie in das größere Feld des maschinellen Lernens ein.

6. Grenzen, Risiken und gesellschaftliche AuswirkungenAbschließend werden Risiken und Herausforderungen diskutiert:

• Verzerrungen (Bias) in Trainingsdaten
• Abhängigkeit von großen Technologieunternehmen
• Energieverbrauch und ökologische Aspekte
• ethische Fragestellungen
• Kommerzialisierung von KI

Die Teilnehmerinnen entwickeln eine reflektierte, kritische Perspektive auf aktuelle KI-Systeme.

Lernergebnisse

Nach Abschluss des Kurses können die Teilnehmerinnen:

• zentrale Begriffe und Konzepte der Künstlichen Intelligenz sicher erklären,
• zwischen verschiedenen Lernparadigmen unterscheiden,
• grundlegende ML-Modelle konzeptionell verstehen und einordnen,
• den Aufbau neuronaler Netze und Deep-Learning-Modelle beschreiben,
• erklären, wie Large Language Models technisch funktionieren,
• Chancen und Risiken moderner KI-Anwendungen kritisch bewerten,
• fundierte Entscheidungen über den Einsatz von KI in eigenen Projekten treffen.

Warum diesen Kurs besuchen?

Dieser Kurs richtet sich an alle, die KI nicht nur anwenden, sondern verstehen möchten. Statt sich ausschließlich auf Tools wie ChatGPT zu konzentrieren, bietet er ein tiefgehendes Fundament, das befähigt:

• KI-Systeme kompetent einzuordnen,
• eigene Projekte mit ML-Ansätzen zu planen,
• technische Diskussionen zu führen,
• Hype von Substanz zu unterscheiden.

Der Kurs verbindet Theorie mit anschaulichen Beispielen und praktischen Einblicken und schafft damit die Grundlage für weiterführende Vertiefungen im Bereich Data Science und KI.