Python-Kurs für Künstliche Intelligenz

Lektion 1 • Einrichten Ihrer Python-Umgebung

Installieren Sie Python, konfigurieren Sie virtuelle Umgebungen und wählen Sie eine für die KI-Entwicklung geeignete IDE aus. Legt die technische Basis, auf die jedes nachfolgende Kapitel aufbaut.

Lektion 2 • Kontrollfluss und Schleifen

Wenden Sie Bedingungen und Iterationen an, um wiederkehrende KI-Datenaufgaben zu automatisieren. Ermöglicht direkt die Batch-Verarbeitungsmuster, die im gesamten Kurs verwendet werden.

Lektion 3 • Debugging und Fehlerbehandlung

Lesen von Tracebacks, Verwenden eines Debuggers und Schreiben von try/except-Blöcken zur Behandlung von Laufzeitfehlern. Eine zuverlässige Fehlerbehandlung verhindert stille Fehler in KI-Workflows.

Lektion 4 • Kern-Python-Syntax und Datentypen

Behandelt Variablen, Operatoren, Zeichenketten, Zahlen und Booleans mit KI-relevanten Beispielen. Stellt das Vokabular für alle nachfolgenden Datenbearbeitungsaufgaben bereit.

Lektion 1 • Arbeiten mit Zeichenketten und Text

Wenden Sie String-Methoden, Formatierung und reguläre Ausdrücke an, um rohe Textdaten zu bereinigen. Die Textvorverarbeitung ist ein grundlegender Schritt in jeder NLP- und LLM-Pipeline.

Lektion 2 • Datei-I/O und Datenserialisierung

Lesen und Schreiben von Text-, CSV- und JSON-Dateien, um KI-Daten zu speichern und auszutauschen. Verbindet Python-Skripte mit realen Datenquellen, die in späteren Kapiteln verwendet werden.

Lektion 3 • Dictionaries und Sets

Speichern von Schlüssel-Wert-Paaren und eindeutigen Sammlungen für schnelle Nachschlagevorgänge und Deduplizierung. Diese Strukturen bilden die Grundlage für Feature-Maps und Vokabeltabellen in NLP-Aufgaben.

Lektion 4 • Listen und Tupel im Detail

Manipulieren Sie geordnete Sequenzen mithilfe von Slicing, Comprehensions und integrierten Methoden. Listen sind der primäre Container für rohe KI-Datensätze und Modellausgaben.

Lektion 1 • Lineare Algebra mit NumPy

Führen Sie Matrixmultiplikation, -zerlegung und das Lösen linearer Gleichungssysteme durch. Diese Operationen sind der mathematische Kern neuronaler Netze und der Dimensionsreduktion.

Lektion 2 • Indizierung, Slicing und Umformen

Wählen Sie Array-Daten mithilfe erweiterter Indizierungstechniken aus, filtern Sie sie und formen Sie sie um. Das Umformen ist erforderlich, bevor Daten in neuronale Netzwerkschichten eingespeist werden können.

Lektion 3 • Statistische Aggregationen und Zufallsstichproben

Berechnen Sie deskriptive Statistiken und generieren Sie reproduzierbare Zufallsstichproben für KI-Experimente. Reproduzierbares Sampling gewährleistet eine faire Modellbewertung und Leistungsmessung.

Lektion 4 • Vektorisierte Operationen und Broadcasting

Wenden Sie elementweise Mathematik und Broadcasting-Regeln an, um langsame Python-Schleifen zu vermeiden. Vektorisierung ist die Leistungsgrundlage aller numerischen KI-Berechnungen.

Lektion 1 • Gruppieren, Aggregieren und Zusammenführen

Fassen Sie Daten mit groupby zusammen und kombinieren Sie Datensätze mithilfe von merge- und join-Operationen. Diese Fähigkeiten ermöglichen Feature Engineering aus mehreren relationalen Datenquellen.

Lektion 2 • Datenbereinigung und -transformation

Behandeln Sie fehlende Werte, Duplikate und falsche Typen, um saubere Datensätze zu erstellen. Saubere Daten bestimmen direkt die Qualität trainierter KI-Modelle.

Lektion 3 • Feature Engineering mit Pandas

Erstellen Sie neue Merkmale durch Binning, Kodierung und Anwendung benutzerdefinierter Funktionen. Entwickelte Merkmale haben oft den größten Einfluss auf die Modellgenauigkeit.

Lektion 4 • Filtern, Sortieren und Abfragen

Wenden Sie boolesche Filter, Abfragezeichenfolgen und Sortieroperationen an, um relevante Daten zu isolieren. Präzises Subsetting ist für die Erstellung von Trainings- und Validierungssplits unerlässlich.

Lektion 1 • Matplotlib-Grundlagen

Erstellen Sie Linien-, Balken- und Streudiagramme mithilfe der objektorientierten API von Matplotlib. Eine solide Matplotlib-Grundlage unterstützt jede hochwertige Visualisierungsbibliothek.

Lektion 2 • Arbeitsabläufe für explorative Datenanalyse

Kombinieren Sie Pandas und Visualisierungswerkzeuge, um einen neuen Datensatz systematisch zu profilieren. Strukturierte EDA reduziert Überraschungen während des Modelltrainings und der Modellbewertung.

Lektion 3 • Visualisieren der Modellleistung

Zeichnen Sie Konfusionsmatrizen, ROC-Kurven und Lernkurven zur Bewertung von KI-Modellen. Leistungsvisualisierungen sind für die Diagnose von Unteranpassung und Überanpassung unerlässlich.

Lektion 1 • Unüberwachtes Lernen und Dimensionsreduktion

Gruppieren Sie Daten mit K-Means und reduzieren Sie die Dimensionalität mit PCA für explorative Analysen. Unüberwachte Methoden decken verborgene Strukturen in unbeschrifteten KI-Datensätzen auf.

Lektion 2 • Die Scikit-Learn-API und der Workflow

erstellen Sie eine vollständige ML-Pipeline

Lektion 3 • Überwachtes Lernen: Klassifikation

Trainieren Sie logistische Regression, Entscheidungsbäume und Ensemble-Klassifikatoren auf beschrifteten Daten. Die Klassifikation ist die häufigste KI-Aufgabe in geschäftlichen und wissenschaftlichen Anwendungen.

Lektion 4 • Überwachtes Lernen: Regression

Prognostizieren Sie kontinuierliche Zielgrößen mithilfe von linearer, polynomialer und regularisierter Regression. Regression liegt Anwendungsfällen wie Prognose, Preisgestaltung und Bedarfsermittlung zugrunde.

Lektion 1 • Trainingsschleifen und Optimierung

Implementieren Sie vollständige Trainingsschleifen mit Verlustfunktionen, Optimierern und Lernratenplänen. Eine gut strukturierte Trainingsschleife ist der Kern jedes Deep-Learning-Experiments.

Lektion 2 • Erstellen neuronaler Netze mit nn.Module

Definieren Sie benutzerdefinierte Netzwerkarchitekturen mithilfe von nn.Module, Schichten und Aktivierungsfunktionen. Modulares Netzwerkdesign ermöglicht schnelles Experimentieren mit verschiedenen Architekturen.

Lektion 3 • Convolutional Neural Networks für Bilder

Erstellen Sie CNNs mit Faltungs-, Pooling- und vollständig verbundenen Schichten für Bildaufgaben. CNNs sind die dominierende Architektur für Computer-Vision-KI-Anwendungen.

Lektion 4 • Grundlagen von Tensoren und Autograd

Erstellen und manipulieren Sie PyTorch-Tensoren und verstehen Sie die automatische Differenzierung. Autograd ist die Engine, die dem gradientenbasierten Lernen in allen Deep-Learning-Modellen zugrunde liegt.

Lektion 1 • LLM-APIs und Prompt Engineering

Rufen Sie LLM-APIs auf, strukturieren Sie Prompts und parsen Sie Antworten für nachgelagerte Aufgaben. Effektives Prompting verbessert die Ausgabequalität drastisch, ohne dass ein Modelltraining erforderlich ist.

Lektion 2 • Hugging Face Transformers Bibliothek

Laden Sie vortrainierte Modelle und Tokenizer vom Hugging Face Hub für die Inferenz. Die Transformers-Bibliothek bietet Zugriff auf Tausende von gebrauchsfertigen KI-Modellen.

Lektion 3 • Retrieval-Augmentierte Generierung

Kombinieren Sie die Vektorsuche mit der LLM-Generierung, um Antworten auf externe Dokumente zu stützen. RAG reduziert Halluzinationen und ermöglicht es LLMs, domänenspezifische Fragen zu beantworten.

Lektion 4 • Feinabstimmung von LLMs auf benutzerdefinierten Daten

Bereiten Sie Datensätze vor und führen Sie eine parametereffiziente Feinabstimmung durch, um Modelle an neue Domänen anzupassen. Die Feinabstimmung liefert eine höhere Genauigkeit als reines Prompting für spezialisierte Aufgaben.