Künstliche Intelligenz und Industrie 4.0

Der Kurs Künstliche Intelligenz und Industrie 4.0 befasst sich mit der Einordnung von KI in die Welt der Technik, der Wissenschaften und der Politik. Dabei wird die geschichtliche Entwicklung von KI ebenso wie die damit zusammenhängende Entstehung der Künstlichen Neuronalen Netzwerke aufgezeigt. Es wird herausgearbeitet, dass KI eine evolutionäre Technologie der modernen Mustererkennung ist und somit keinesfalls ein Hype oder etwas ganz Besonderes.  Anhand von Beispielen werden die Methodiken und Wirkungsweisen von KI erklärt: Maschinenlernen, Erkennung von Symbolen und Expertensysteme (Evolutionäre Algorithmen).

Inhalte

Der Kurs besteht aus neun Einheiten:

1. Künstliche Intelligenz und ihre Geschichte

Die Einheit beschäftigt sich mit der Geschichte der künstlichen Intelligenz seit mehr als 70 Jahren und beschriebt die Meilensteine dieser Technologie als Grundlage der modernen Mustererkennung.  

2. Definition der Künstlichen Intelligenz

Diese Einheit beschreibt die unterschiedlichen Definitionen von KI in Wissenschaft, Technik und Politik. Bei jeder Definition hat KI jedoch etwas mehr oder weniger komplexen Mustererkennungsverfahren zu tun. Die drei üblichen Einlernverfahren von KI-Klassifikatoren werden vorgestellt

3. Struktur von KI und Klassifikatoren

Es werden die drei klassischen Säulen von KI besprochen, welche das Maschinenlernen, das Erkennen von Symbolen und das Evolutionäre Algorithmen (Expertensysteme) sind. Alle Säulen der KI werden unter dem Begriff Einlernen von Netzwerkstrukturen gesehen. Künstliche Neuronale Netzwerke sind dabei Teil des Maschinenlernens und des darunter angesiedelten ‚Deep Learning‘. Moderne Bildverarbeitung fällt schwerpunktmäßig unter die Rubrik ‚Erkennen von Symbolen‘ eingeordnet.  Die in den 80er stark aufkommenden Expertensysteme werden den ‚Evolutionären Lernen‘ zugeordnet. Alle Lerntechnologien werden heute in der modernen Robotik und vielen anderen Mustererkennungsaufgaben eingesetzt.

4. Signalverarbeitung und Mustererzeugung als Vorstufe vom KI-Maschinenlernen

Besprochen wir die strukturierte Vorgehensweise bei einem KI-Verfahren. KI benötigt zunächst geeignete Sensoren zur Datenerfassung. Dies daten werden im ersten Schritt vorverarbeitet, bevor eine adaptive Schwellwertdetektion und eine Merkmalsextraktion durchgeführt werden kann. Dabei werden die Voraussetzungen der Merkmale für ein gute Klassifikation aufgezeigt, denn jede Klassifikation ist nur so gut wie ihre zugrunde gelegten Merkmale. Anhand eines Beispiels wird die Wirkungsweise von statistischen Klassifikatoren erklärt.  

5. Beispiel zur Bildverarbeitung und Merkmalserzeugung

Beispielhaft wird anhand einer Bildverarbeitung die Merkmalserzeugung zur Klassifikation, in diesem Fall für einen LKW erklärt. Es wird auf die Wichtigkeit der Datenreduktion eingegangen, die zu einer wesentlichen Erhöhung der Verarbeitungsgeschwindigkeit führt.    Ebenso wird darauf eingegangen, wie man zu bewegungs- und lageunabhängigen Merkmalen gelangt, welche insbesondere bei Bewegtbildern wichtig ist. KI und Künstliche Neuronale Netzwerke

6. Beispiel für ein KI-Expertensystem

In dieser Einheit wir ein einfaches Expertensystem beispielhaft besprochen. Expertensysteme fallen und die ‚Evolutionären Algorithmen‘ und kommen bereits seit den 80er Jahren häufig zum Einsatz. Sie dienen der Datenarchivierung und -ordnung. Typisch für Expertensysteme ist die klassische Entscheidungsstruktur ‚if….then‘.

7. KI und Künstliche Neuronale Netzwerke

Diese Einheit beschäftigt sich mit der Modellbildung von Künstlichen Neuronalen Netzwerke ausgehend vom menschlichen Gehirn. Dabei werden die Neuronen, die Dendriten und Synapsen sowie die Axone und deren Verbindungen modellhaft für das Künstliche Neuronale Netzwerk verwendet. Es wird erläutert, auf welche Besonderheiten bei der Modellbildung zu achten ist und worauf es ankommt. Ebenso wird die Geschichte der neuronalen Netzwerke behandelt, die parallel zur Künstlichen Intelligenz erfolgte.

8. Lernverfahren für Neuronale Netzwerke

Es wird das Lernverfahren für mehrschichtige Künstliche Neuronale Netzwerke, bestehend aus Eingangsebene, verdeckte Schichten und Ausgangsebene, besprochen, der sogenannte  Backpropagation-Algorithmus. Dieser arbeitet nach dem Gradienten-Abstiegsverfahren bezüglich des mittleren minimalen Fehlerquadrates. Gegenübergestellt wird dabei das Gradienten-Abstiegsverfahren bezüglich seiner Leitungsfähigkeit und Besonderheiten für das nichtlineare Künstliche Neuronale Netzwerk (KI: Deep Learning) und für den linearen Polynom-Klassifikatoren (KI: Statistisches Einlernen).

9. Zusammenfassung

Diese Einheit fasst noch einmal die Lerneinhalte dieses Espresso ‚KI und Industrie 4.0) unter dem Aspekt der Entmystifizierung zusammen und stellt dar, dass KI nichts Besonderes im Zusammenhang der seit 70 Jahren evolutionären und bekannten Mustererkennung ist.  

Kursziel

Die Kursziele sind ein erweitertes Wissen und die richtige Einordnung des Themas KI in dem heutigen Hype, der diese Technologie umgibt.

Zielgruppe

Der Kurs richtet sich an Personen mit geringen Vorkenntnissen, die sich privat oder beruflich mit der Thematik KI beschäftigen wollen oder auch müssen, insbesondere unter dem Aspekt der richtigen Einordnung des ‚Hypes‘ KI.

Kursmaterialien

Der Easyguide und die einzelnen Einheiten beinhalten die Zusammenfassungen, sowie die genauen Kursinhalte und Abbildungen der Einheiten.

 

 

 

 

 

 

 

Deutsch

keine

Espresso

49,00 € (pro Person)

Web-Video-Kurs

1 Tag

Jederzeit

Termine und Orte

Von	Bis	Ort	Durchführungs- garantie	Frühbucher bis Betrag	Lastminute ab Betrag
Frei vereinbar	Frei vereinbar	Web-Video-Kurs