Basiswissen Bildverarbeitung: Feature Detection mit Convolution, Pooling, Dimensionsreduktionen im Lichte gewählter Parameter wie Stride u.a.,

Populäre Filtertypen: Gaussian Blurr u.a.

Berühmte CNN: LeNet u.a.

Cross Entropy, XAI, Saliency Maps

Generative Adversarial Networks & CNN

FALLSTUDIEN: Unterscheide Brillenträger, baue Bildgeneratornetz und nutze Vektorarithmetik im latenten Raum um Bilder zu mischen

Basiswissen Textverarbeitung: Tokenization Tricks, Count Based Vectorizers, Naive Bayes

Dense Vectorizers, Word2Vec

historische Computerlinguistik, Sentiment Analysis, VADER

FALLSTUDIE: Training Word2Vec auf Romanauszügen, Auswertung der Distanzen,

Attention in der Urform und Weiterentwicklungen (cross/causal attn, scaling u.a.), Abgrenzung zu festen Gewichtungen

Weitere Wesensmerkmale der Transformer Architektur (Normalisierungslayer, Positional Encoding, u.a.)

FALLSTUDIE: Wir trainieren ein Large Language Model (LLM) anhand eines Romans

GELU, Masking, Ressourcenmonitoring

FALLSTUDIE: Wir laden ChatGPT2 herunter und vergleichen seine Performance mit unserem LLM

FALLSTUDIE: Wir bauen unser eigenes DeepL

EU KI Verordnung, KI-Möglichkeiten für das BKA

Tiefenanalyse BERT & ChatGPT, Fine Tuning LLM, x-shot Learning

Grenzen und Möglichkeiten LLM, Ausblick: Interview mit ChatGPT Chefentwickler Turley