Künstliche Intelligenz in der Bildung fördert adaptives, schülerzentriertes Lernen und damit ein effektiveres und bereicherndes Bildungsumfeld. Schreiben Sie sich jetzt ein!"

Die Anwendung von künstlicher Intelligenz (KI) in der Bildung hat sich als unschätzbares Instrument erwiesen, das die Art und Weise revolutioniert, wie Studenten auf Wissen zugreifen und wie Pädagogen den Lehrprozess gestalten. Die Personalisierung des Lernens ist dank intelligenter Algorithmen, die die Bildungsinhalte an die individuellen Bedürfnisse anpassen, leichter möglich geworden. Dadurch wird nicht nur die Effizienz maximiert, sondern auch auf Unterschiede im Lerntempo und -stil eingegangen.

Aus diesem Grund hat TECH diesen Privater masterstudiengang in Künstliche Intelligenz in der Bildung entwickelt, der sich nicht nur mit den eher technischen Aspekten der KI befasst, sondern auch mit den damit verbundenen ethischen, rechtlichen und sozialen Überlegungen. Darüber hinaus wird der praktische Schwerpunkt auf der Entwicklung von KI-Projekten im Klassenzimmer den Lehrern konkrete Fähigkeiten für eine effektive Umsetzung im Bildungsbereich vermitteln.  

Außerdem wird der Student die Unterrichtspraxis mit generativer KI untersuchen und dabei den Schwerpunkt auf die Personalisierung des Lernens und die kontinuierliche Verbesserung legen - Schlüsselaspekte für die Anpassungsfähigkeit im Bildungsprozess.

Schließlich werden aufkommende Trends in der KI für die Bildung analysiert, um sicherzustellen, dass die Teilnehmer über die neuesten Innovationen in der Bildungstechnologie informiert sind. 
Auf diese Weise bietet das Programm eine ausgewogene Kombination aus technischem Wissen, praktischen Fähigkeiten und einer ethischen und reflexiven Perspektive und positioniert sich als führend in der Fortbildung von Fachleuten, die in der Lage sind, die Herausforderungen und Chancen der KI im Bildungswesen zu bewältigen. 

TECH hat daher einen umfassenden Studiengang entwickelt, der auf der Relearning-Methodik basiert. Diese Lehrmethode konzentriert sich auf die Wiederholung wesentlicher Konzepte, um ein optimales Verständnis zu gewährleisten. Auch die Zugänglichkeit ist von zentraler Bedeutung, da nur ein elektronisches Gerät mit Internetanschluss erforderlich ist, um jederzeit auf die Inhalte zugreifen zu können, so dass eine persönliche Teilnahme oder die Anpassung an vorgegebene Zeitpläne nicht erforderlich ist.

KI ermöglicht ein sofortiges Feedback, so dass die Lehrkräfte Verbesserungsmöglichkeiten erkennen und individuelle Unterstützung anbieten können“

Dieser Privater masterstudiengang in Künstliche Intelligenz in der Bildung enthält das vollständigste und aktuellste Programm auf dem Markt. Die hervorstechendsten Merkmale sind:

• Die Entwicklung von Fallstudien, die von Experten für künstliche Intelligenz in der Bildung vorgestellt werden 
• Der anschauliche, schematische und äußerst praxisnahe Inhalt vermittelt theoretische und praktische Informationen zu den Disziplinen, die für die berufliche Praxis unerlässlich sind 
• Praktische Übungen, bei denen der Selbstbewertungsprozess zur Verbesserung des Lernens genutzt werden kann 
• Sein besonderer Schwerpunkt liegt auf innovativen Methoden  
• Theoretische Vorträge, Fragen an den Experten, Diskussionsforen zu kontroversen Themen und individuelle Reflexionsarbeit 
• Die Verfügbarkeit des Zugangs zu Inhalten von jedem festen oder tragbaren Gerät mit Internetanschluss 

Sie werden KI-Projekte im Klassenzimmer leiten, von der Programmierung mit maschinellem Lernen bis zum Einsatz in Videospielen und Robotik"

Das Dozententeam des Programms besteht aus Experten des Sektors, die ihre Berufserfahrung in diese Fortbildung einbringen, sowie aus renommierten Fachleuten von führenden Unternehmen und angesehenen Universitäten.

Die multimedialen Inhalte, die mit der neuesten Bildungstechnologie entwickelt wurden, werden der Fachkraft ein situiertes und kontextbezogenes Lernen ermöglichen, d. h. eine simulierte Umgebung, die eine immersive Fortbildung bietet, die auf die Ausführung von realen Situationen ausgerichtet ist.  

Das Konzept dieses Programms konzentriert sich auf problemorientiertes Lernen, bei dem die Fachkraft versuchen muss, die verschiedenen Situationen aus der beruflichen Praxis zu lösen, die während des gesamten Studiengangs gestellt werden. Zu diesem Zweck wird sie von einem innovativen interaktiven Videosystem unterstützt, das von renommierten Experten entwickelt wurde.  

In diesem 100%igen Online-Programm werden Sie generative KI-Tools in die Planung, Umsetzung und Bewertung von Bildungsaktivitäten integrieren"

Sie werden modernste KI-Technologien beherrschen, wie z. B. Augmented/Virtual Reality, dank der umfangreichen Bibliothek mit Multimedia-Ressourcen"

Das Programm umfasst spezifische Module wie „Ethik und Gesetzgebung der künstlichen Intelligenz in der Bildung" und „Lehrpraxis mit generativer künstlicher Intelligenz", die das Engagement für Verantwortlichkeit und Personalisierung des Lernens unterstreichen. Darüber hinaus wird durch die Erforschung neuer Trends im Bereich der KI für die Bildung sichergestellt, dass die Lehrer darauf vorbereitet sind, die neuesten Innovationen, von Augmented Reality (AR) bis hin zu prädiktiven Analysen, in ihre pädagogische Praxis zu integrieren. Diese Kombination aus ethischen Grundlagen, praktischer Anwendung und Einbeziehung von Spitzentechnologien wird den Erwerb von spezifischen Kenntnissen und Fähigkeiten durch die Studenten fördern, um ihre berufliche Laufbahn voranzutreiben. 

Dieser Privater masterstudiengang kombiniert technische Aspekte der künstlichen Intelligenz mit einem praktischen Fokus auf die Entwicklung von Bildungsprojekten"

Modul 1. Grundlagen der künstlichen Intelligenz
1.1. Geschichte der künstlichen Intelligenz 

1.1.1. Ab wann spricht man von künstlicher Intelligenz?  
1.1.2. Referenzen im Kino 
1.1.3. Bedeutung der künstlichen Intelligenz 
1.1.4. Technologien, die künstliche Intelligenz ermöglichen und unterstützen 

1.2. Künstliche Intelligenz in Spielen 

1.2.1. Spieltheorie 
1.2.2. Minimax und Alpha-Beta-Beschneidung 
1.2.3. Simulation: Monte Carlo 

1.3. Neuronale Netzwerke 

1.3.1. Biologische Grundlagen 
1.3.2. Berechnungsmodell 
1.3.3. Überwachte und nicht überwachte neuronale Netzwerke 
1.3.4. Einfaches Perzeptron 
1.3.5. Mehrschichtiges Perzeptron 

1.4. Genetische Algorithmen 

1.4.1. Geschichte 
1.4.2. Biologische Grundlage 
1.4.3. Problem-Kodierung 
1.4.4. Erzeugung der Ausgangspopulation 
1.4.5. Hauptalgorithmus und genetische Operatoren 
1.4.6. Bewertung von Personen: Fitness 

1.5. Thesauri, Vokabularien, Taxonomien 

1.5.1. Wortschatz 
1.5.2. Taxonomie 
1.5.3. Thesauri 
1.5.4. Ontologien 
1.5.5. Darstellung von Wissen: Semantisches Web 

1.6. Semantisches Web 

1.6.1. Spezifizierungen: RDF, RDFS und OWL 
1.6.2. Schlussfolgerung/Begründung 
1.6.3. Verknüpfte Daten 

1.7. Expertensysteme und DSS 

1.7.1. Expertensysteme 
1.7.2. Systeme zur Entscheidungshilfe 

1.8. Chatbots und virtuelle Assistenten  

1.8.1. Arten von Assistenten: Sprach- und textbasierte Assistenten  
1.8.2. Grundlegende Bestandteile für die Entwicklung eines Assistenten: Intents, Entitäten und Dialogablauf 
1.8.3. Integrationen: Web, Slack, Whatsapp, Facebook 
1.8.4. Tools für die Entwicklung von Assistenten: Dialog Flow, Watson Assistant  

1.9. KI-Implementierungsstrategie 
1.10. Die Zukunft der künstlichen Intelligenz  

1.10.1. Wir wissen, wie man mit Algorithmen Emotionen erkennt  
1.10.2. Schaffung einer Persönlichkeit: Sprache, Ausdrücke und Inhalt  
1.10.3. Tendenzen der künstlichen Intelligenz  
1.10.4. Reflexionen 

Modul 2. Datentypen und Datenlebenszyklus

2.1. Statistik  

2.1.1. Die Statistik: Deskriptive Statistik, statistische Schlussfolgerungen  
2.1.2. Population, Stichprobe, Individuum  
2.1.3. Variablen: Definition, Messskalen  

2.2. Arten von statistischen Daten  

2.2.1. Je nach Typ  

2.2.1.1. Quantitative: kontinuierliche Daten und diskrete Daten  
2.2.1.2. Qualitative: Binomialdaten, nominale Daten und ordinale Daten 

2.2.2. Je nach Form   

2.2.2.1. Numerisch  
2.2.2.2. Text   
2.2.2.3. Logisch  

2.2.3. Je nach Quelle  

2.2.3.1. Primär  
2.2.3.2. Sekundär  

2.3. Lebenszyklus der Daten  

2.3.1. Etappen des Zyklus  
2.3.2. Meilensteine des Zyklus  
2.3.3. FAIR-Prinzipien  

2.4. Die ersten Phasen des Zyklus  

2.4.1. Definition von Zielen  
2.4.2. Ermittlung des Ressourcenbedarfs  
2.4.3. Gantt-Diagramm  
2.4.4. Struktur der Daten  

2.5. Datenerhebung  

2.5.1. Methodik der Erhebung  
2.5.2. Erhebungsinstrumente  
2.5.3. Kanäle für die Erhebung  

2.6. Datenbereinigung  

2.6.1. Phasen der Datenbereinigung  
2.6.2. Qualität der Daten  
2.6.3. Datenmanipulation (mit R)  

2.7. Datenanalyse, Interpretation und Bewertung der Ergebnisse  

2.7.1. Statistische Maßnahmen  
2.7.2. Beziehungsindizes  
2.7.3. Data Mining  

2.8. Datenlager (Datawarehouse)  

2.8.1. Elemente, aus denen sie bestehen  
2.8.2. Design  
2.8.3. Zu berücksichtigende Aspekte  

2.9. Verfügbarkeit von Daten  

2.9.1. Zugang  
2.9.2. Nützlichkeit  
2.9.3. Sicherheit  

2.10. Regulatorische Aspekte 

2.10.1. Datenschutzgesetz  
2.10.2. Bewährte Verfahren  
2.10.3. Andere regulatorische Aspekte 

Modul 3. Daten in der künstlichen Intelligenz 

3.1. Datenwissenschaft 

3.1.1. Datenwissenschaft 
3.1.2. Fortgeschrittene Tools für den Datenwissenschaftler 

3.2. Daten, Informationen und Wissen 

3.2.1. Daten, Informationen und Wissen  
3.2.2. Datentypen 
3.2.3. Datenquellen 

3.3. Von Daten zu Informationen  

3.3.1. Datenanalyse 
3.3.2. Arten der Analyse 
3.3.3. Extraktion von Informationen aus einem Dataset 

3.4. Extraktion von Informationen durch Visualisierung 

3.4.1. Visualisierung als Analyseinstrument 
3.4.2. Visualisierungsmethoden  
3.4.3. Visualisierung eines Datensatzes 

3.5. Qualität der Daten 

3.5.1. Datenqualität 
3.5.2. Datenbereinigung  
3.5.3. Grundlegende Datenvorverarbeitung 

3.6. Dataset 

3.6.1. Dataset-Anreicherung 
3.6.2. Der Fluch der Dimensionalität 
3.6.3. Ändern unseres Datensatzes 

3.7. Ungleichgewicht  

3.7.1. Ungleichgewicht der Klassen 
3.7.2. Techniken zur Begrenzung von Ungleichgewichten 
3.7.3. Dataset-Abgleich 

3.8. Unüberwachte Modelle  

3.8.1. Unüberwachtes Modell 
3.8.2. Methoden 
3.8.3. Klassifizierung mit unüberwachten Modellen 

3.9. Überwachte Modelle 

3.9.1. Überwachtes Modell 
3.9.2. Methoden 
3.9.3. Klassifizierung mit überwachten Modellen 

3.10. Tools und bewährte Verfahren 

3.10.1. Bewährte Praktiken für einen Datenwissenschaftler 
3.10.2. Das beste Modell  
3.10.3. Nützliche Tools 

Modul 4. Data Mining. Auswahl, Vorverarbeitung und Transformation 

4.1. Statistische Inferenz 

4.1.1. Deskriptive Statistik vs. Statistische Inferenz 
4.1.2. Parametrische Verfahren 
4.1.3. Nichtparametrische Verfahren 

4.2. Explorative Analyse 

4.2.1. Deskriptive Analyse  
4.2.2. Visualisierung 
4.2.3. Vorbereitung der Daten 

4.3. Vorbereitung der Daten 

4.3.1. Datenintegration und -bereinigung  
4.3.2. Normalisierung der Daten 
4.3.3. Attribute umwandeln  

4.4. Verlorene Werte 

4.4.1. Umgang mit verlorenen Werten 
4.4.2. Maximum-Likelihood-Imputationsmethoden 
4.4.3. Imputation verlorener Werte durch maschinelles Lernen 

4.5. Datenrauschen  

4.5.1. Lärmklassen und Attribute 
4.5.2. Rauschfilterung  
4.5.3. Rauscheffekt 

4.6. Der Fluch der Dimensionalität 

4.6.1. Oversampling 
4.6.2. Undersampling 
4.6.3. Multidimensionale Datenreduktion 

4.7. Kontinuierliche zu diskreten Attributen 

4.7.1. Kontinuierliche versus diskrete Daten 
4.7.2. Prozess der Diskretisierung 

4.8. Daten  

4.8.1. Datenauswahl  
4.8.2. Perspektiven und Auswahlkriterien 
4.8.3. Methoden der Auswahl  

4.9. Auswahl der Instanzen 

4.9.1. Methoden für die Instanzauswahl 
4.9.2. Auswahl der Prototypen 
4.9.3. Erweiterte Methoden für die Instanzauswahl 

4.10. Vorverarbeitung von Daten in Big Data-Umgebungen 

Modul 5. Algorithmik und Komplexität in der künstlichen Intelligenz 

5.1. Einführung in Algorithmus-Design-Strategien 

5.1.1. Rekursion 
5.1.2. Aufteilen und erobern 
5.1.3. Andere Strategien 

5.2. Effizienz und Analyse von Algorithmen 

5.2.1. Maßnahmen zur Steigerung der Effizienz 
5.2.2. Messung der Eingabegröße 
5.2.3. Messung der Ausführungszeit 
5.2.4. Schlimmster, bester und durchschnittlicher Fall 
5.2.5. Asymptotische Notation 
5.2.6. Kriterien für die mathematische Analyse von nichtrekursiven Algorithmen 
5.2.7. Mathematische Analyse von rekursiven Algorithmen 
5.2.8. Empirische Analyse von Algorithmen 

5.3. Sortieralgorithmen 

5.3.1. Konzept der Sortierung 
5.3.2. Blase sortieren 
5.3.3. Sortieren nach Auswahl 
5.3.4. Reihenfolge der Insertion 
5.3.5. Sortierung zusammenführen (Merge_Sort) 
5.3.6. Schnelle Sortierung (Quick_Sort) 

5.4. Algorithmen mit Bäumen 

5.4.1. Konzept des Baumes 
5.4.2. Binäre Bäume 
5.4.3. Baumpfade 
5.4.4. Ausdrücke darstellen 
5.4.5. Geordnete binäre Bäume 
5.4.6. Ausgeglichene binäre Bäume 

5.5. Algorithmen mit Heaps 

5.5.1. Heaps 
5.5.2. Der Heapsort-Algorithmus 
5.5.3. Prioritätswarteschlangen 

5.6. Graph-Algorithmen 

5.6.1. Vertretung 
5.6.2. Lauf in Breite 
5.6.3. Lauf in Tiefe 
5.6.4. Topologische Anordnung 

5.7. Greedy-Algorithmen 

5.7.1. Die Greedy-Strategie 
5.7.2. Elemente der Greedy-Strategie 
5.7.3. Währungsumtausch 
5.7.4. Das Problem des Reisenden 
5.7.5. Problem mit dem Rucksack 

5.8. Minimale Pfadsuche 

5.8.1. Das Problem des minimalen Pfades 
5.8.2. Negative Bögen und Zyklen 
5.8.3. Dijkstra-Algorithmus 

5.9. Greedy-Algorithmen auf Graphen 

5.9.1. Der minimal aufspannende Baum 
5.9.2. Algorithmus von Prim 
5.9.3. Algorithmus von Kruskal 
5.9.4. Komplexitätsanalyse 

5.10. Backtracking 

5.10.1. Das Backtracking 
5.10.2. Alternative Techniken 

Modul 6. Intelligente Systeme 

6.1. Agententheorie 

6.1.1. Geschichte des Konzepts 
6.1.2. Definition von Agent 
6.1.3. Agenten in der künstlichen Intelligenz 
6.1.4. Agenten in der Softwareentwicklung 

6.2. Agent-Architekturen 

6.2.1. Der Denkprozess eines Agenten 
6.2.2. Reaktive Agenten 
6.2.3. Deduktive Agenten 
6.2.4. Hybride Agenten 
6.2.5. Vergleich 

6.3. Informationen und Wissen 

6.3.1. Unterscheidung zwischen Daten, Informationen und Wissen 
6.3.2. Bewertung der Datenqualität 
6.3.3. Methoden der Datenerfassung 
6.3.4. Methoden der Informationsbeschaffung 
6.3.5. Methoden zum Wissenserwerb 

6.4. Wissensrepräsentation 

6.4.1. Die Bedeutung der Wissensrepräsentation 
6.4.2. Definition der Wissensrepräsentation durch ihre Rollen 
6.4.3. Merkmale einer Wissensrepräsentation 

6.5. Ontologien 

6.5.1. Einführung in Metadaten 
6.5.2. Philosophisches Konzept der Ontologie 
6.5.3. Computergestütztes Konzept der Ontologie 
6.5.4. Bereichsontologien und Ontologien auf höherer Ebene 
6.5.5. Wie erstellt man eine Ontologie? 

6.6. Ontologiesprachen und Software für die Erstellung von Ontologien 

6.6.1. RDF-Tripel, Turtle und N 
6.6.2. RDF-Schema 
6.6.3. OWL 
6.6.4. SPARQL 
6.6.5. Einführung in die verschiedenen Tools für die Erstellung von Ontologien 
6.6.6. Installation und Verwendung von Protégé 

6.7. Das semantische Web 

6.7.1. Der aktuelle Stand und die Zukunft des semantischen Webs 
6.7.2. Anwendungen des semantischen Webs 

6.8. Andere Modelle der Wissensdarstellung 

6.8.1. Wortschatz 
6.8.2. Globale Sicht 
6.8.3. Taxonomie 
6.8.4. Thesauri 
6.8.5. Folksonomien 
6.8.6. Vergleich 
6.8.7. Mind Map 

6.9. Bewertung und Integration von Wissensrepräsentationen 

6.9.1. Logik nullter Ordnung 
6.9.2. Logik erster Ordnung 
6.9.3. Beschreibende Logik 
6.9.4. Beziehung zwischen verschiedenen Arten von Logik 
6.9.5. Prolog: Programmierung auf Basis der Logik erster Ordnung 

6.10. Semantische Reasoner, wissensbasierte Systeme und Expertensysteme 

6.10.1. Konzept des Reasoners 
6.10.2. Anwendungen eines Reasoners 
6.10.3. Wissensbasierte Systeme 
6.10.4. MYCIN, Geschichte der Expertensysteme 
6.10.5. Elemente und Architektur von Expertensystemen 
6.10.6. Erstellung von Expertensystemen 

Modul 7. Maschinelles Lernen und Data Mining 

7.1. Einführung in die Prozesse der Wissensentdeckung und in die grundlegenden Konzepte des maschinellen Lernens 

7.1.1. Schlüsselkonzepte von Prozessen der Wissensentdeckung 
7.1.2. Historische Perspektive der Wissensentdeckungsprozesse 
7.1.3. Phasen des Wissensentdeckungsprozesses 
7.1.4. Techniken, die bei der Wissensentdeckung eingesetzt werden 
7.1.5. Merkmale guter Modelle für maschinelles Lernen 
7.1.6. Arten von Informationen zum maschinellen Lernen 
7.1.7. Grundlegende Lernkonzepte 
7.1.8. Grundlegende Konzepte des unüberwachten Lernens 

7.2. Datenexploration und Vorverarbeitung 

7.2.1. Datenverarbeitung 
7.2.2. Datenverarbeitung im Datenanalysefluss 
7.2.3. Datentypen 
7.2.4. Datenumwandlung 
7.2.5. Anzeige und Untersuchung von kontinuierlichen Variablen 
7.2.6. Anzeige und Erkundung kategorialer Variablen 
7.2.7. Korrelationsmaßnahmen 
7.2.8. Die häufigsten grafischen Darstellungen 
7.2.9. Einführung in die multivariate Analyse und Dimensionsreduktion 

7.3. Entscheidungsbaum 

7.3.1. ID-Algorithmus 
7.3.2. Algorithmus C 
7.3.3. Übertraining und Beschneidung 
7.3.4. Analyse der Ergebnisse 

7.4. Bewertung von Klassifikatoren 

7.4.1. Konfusionsmatrizen 
7.4.2. Numerische Bewertungsmatrizen 
7.4.3. Kappa-Statistik 
7.4.4. Die ROC-Kurve 

7.5. Klassifizierungsregeln 

7.5.1. Maßnahmen zur Bewertung von Regeln 
7.5.2. Einführung in die grafische Darstellung 
7.5.3. Sequentieller Überlagerungsalgorithmus 

7.6. Neuronale Netze 

7.6.1. Grundlegende Konzepte 
7.6.2. Einfache neuronale Netze 
7.6.3. Backpropagation-Algorithmus 
7.6.4. Einführung in rekurrente neuronale Netze 

7.7. Bayessche Methoden 

7.7.1. Grundlegende Konzepte der Wahrscheinlichkeit 
7.7.2. Bayes-Theorem 
7.7.3. Naive Bayes 
7.7.4. Einführung in Bayessche Netzwerke 

7.8. Regressions- und kontinuierliche Antwortmodelle 

7.8.1. Einfache lineare Regression 
7.8.2. Multiple lineare Regression 
7.8.3. Logistische Regression 
7.8.4. Regressionsbäume 
7.8.5. Einführung in Support Vector Machines (SVM) 
7.8.6. Maße für die Anpassungsgüte 

7.9. Clustering 

7.9.1. Grundlegende Konzepte 
7.9.2. Hierarchisches Clustering 
7.9.3. Probabilistische Methoden 
7.9.4. EM-Algorithmus 
7.9.5. B-Cubed-Methode 
7.9.6. Implizite Methoden 

7.10. Text Mining und natürliche Sprachverarbeitung (NLP) 

7.10.1. Grundlegende Konzepte 
7.10.2. Erstellung eines Korpus 
7.10.3. Deskriptive Analyse 
7.10.4. Einführung in die Stimmungsanalyse 

Modul 8. Neuronale Netze, die Grundlage von Deep Learning 

8.1. Tiefes Lernen 

8.1.1. Arten von tiefem Lernen 
8.1.2. Anwendungen von tiefem Lernen 
8.1.3. Vor- und Nachteile von tiefem Lernen 

8.2. Operationen 

8.2.1. Addition 
8.2.2. Produkt 
8.2.3. Transfer 

8.3. Ebenen 

8.3.1. Eingangsebene 
8.3.2. Ausgeblendete Ebene 
8.3.3. Ausgangsebene 

8.4. Schichtenverbund und Operationen 

8.4.1. Design-Architekturen 
8.4.2. Verbindung zwischen Ebenen 
8.4.3. Vorwärtsausbreitung 

8.5. Aufbau des ersten neuronalen Netzes 

8.5.1. Entwurf des Netzes 
8.5.2. Festlegen der Gewichte 
8.5.3. Training des Netzes 

8.6. Trainer und Optimierer 

8.6.1. Auswahl des Optimierers 
8.6.2. Festlegen einer Verlustfunktion 
8.6.3. Festlegung einer Metrik 

8.7. Anwendung der Prinzipien des neuronalen Netzes 

8.7.1. Aktivierungsfunktionen 
8.7.2. Rückwärtsausbreitung 
8.7.3. Einstellung der Parameter 

8.8. Von biologischen zu künstlichen Neuronen 

8.8.1. Funktionsweise eines biologischen Neurons 
8.8.2. Wissensübertragung auf künstliche Neuronen 
8.8.3. Herstellung von Beziehungen zwischen den beiden 

8.9. Implementierung von MLP (Multilayer Perceptron) mit Keras 

8.9.1. Definition der Netzstruktur 
8.9.2. Modell-Kompilierung 
8.9.3. Modell-Training 

8.10. Fine Tuning der Hyperparameter von neuronalen Netzen 

8.10.1. Auswahl der Aktivierungsfunktion 
8.10.2. Einstellung der Learning Rate 
8.10.3. Einstellung der Gewichte 

Modul 9. Training Tiefer Neuronaler Netze 

9.1. Gradienten-Probleme 

9.1.1. Techniken der Gradientenoptimierung 
9.1.2. Stochastische Gradienten 
9.1.3. Techniken zur Initialisierung der Gewichte 

9.2. Wiederverwendung von vortrainierten Schichten 

9.2.1. Transfer Learning Training 
9.2.2. Merkmalsextraktion 
9.2.3. Tiefes Lernen 

9.3. Optimierer 

9.3.1. Stochastische Gradientenabstiegs-Optimierer 
9.3.2. Adam- und RMSprop-Optimierer 
9.3.3. Moment-Optimierer 

9.4. Planen der Lernrate 

9.4.1. Automatische Steuerung der Lernrate 
9.4.2. Lernzyklen 
9.4.3. Bedingungen für die Glättung 

9.5. Überanpassung 

9.5.1. Kreuzvalidierung 
9.5.2. Regulierung 
9.5.3. Bewertungsmetriken 

9.6. Praktische Leitlinien 

9.6.1. Entwurf des Modells 
9.6.2. Auswahl der Metriken und Bewertungsparameter 
9.6.3. Testen von Hypothesen 

9.7. Transfer Learning 

9.7.1. Transfer Learning TrainingTransfer Learning Training 
9.7.2. Merkmalsextraktion 
9.7.3. Tiefes Lernen 

9.8. Data Augmentation 

9.8.1. Bildtransformationen 
9.8.2. Generierung synthetischer Daten 
9.8.3. Textumwandlung 

9.9. Praktische Anwendung von Transfer Learning 

9.9.1. Transfer Learning Training 
9.9.2. Merkmalsextraktion 
9.9.3. Tiefes Lernen 

9.10. Regulierung 

9.10.1. L und L 
9.10.2. Maximale Entropie-Regularisierung 
9.10.3. Dropout 

Modul 10. Anpassung von Modellen und Training mit TensorFlow 

10.1. TensorFlow 

10.1.1. Verwendung der TensorFlow-Bibliothek 
10.1.2. Training von Modellen mit TensorFlow 
10.1.3. Operationen mit Graphen in TensorFlow 

10.2. TensorFlow und NumPy 

10.2.1. NumPy-Berechnungsumgebung für TensorFlow 
10.2.2. Verwendung von NumPy-Arrays mit TensorFlow 
10.2.3. NumPy-Operationen für TensorFlow-Graphen 

10.3. Anpassung von Modellen und Trainingsalgorithmen 

10.3.1. Erstellen von benutzerdefinierten Modellen mit TensorFlow 
10.3.2. Verwaltung von Trainingsparametern 
10.3.3. Verwendung von Optimierungstechniken für das Training 

10.4. TensorFlow-Funktionen und -Graphen 

10.4.1. Funktionen mit TensorFlow 
10.4.2. Verwendung von Graphen für das Modelltraining 
10.4.3. Optimieren von Graphen mit TensorFlow-Operationen 

10.5. Laden und Vorverarbeiten von Daten mit TensorFlow 

10.5.1. Laden von Datensätzen mit TensorFlow 
10.5.2. Vorverarbeiten von Daten mit TensorFlow 
10.5.3. Verwendung von TensorFlow-Tools zur Datenmanipulation 

10.6. Die tfdata-API 

10.6.1. Verwendung der tfdata-API für die Datenverarbeitung 
10.6.2. Konstruktion von Datenströmen mit tfdata 
10.6.3. Verwendung der tfdata-API für das Modelltraining 

10.7. Das TFRecord-Format 

10.7.1. Verwendung der TFRecord-API für die Datenserialisierung 
10.7.2. Laden von TFRecord-Dateien mit TensorFlow 
10.7.3. Verwendung von TFRecord-Dateien für das Modelltraining 

10.8. Keras Vorverarbeitungsschichten 

10.8.1. Verwendung der Keras-API für die Vorverarbeitung 
10.8.2. Aufbau von Keras-Vorverarbeitungs-Pipelines 
10.8.3. Verwendung der Keras Vorverarbeitungs-API für das Modelltraining 

10.9. Das Projekt TensorFlow Datasets 

10.9.1. Verwendung von TensorFlow Datasets zum Laden von Daten 
10.9.2. Vorverarbeitung von Daten mit TensorFlow Datasets 
10.9.3. Verwendung von TensorFlow Datasets für das Modelltraining 

10.10. Erstellen einer Deep Learning-Anwendung mit TensorFlow 

10.10.1. Praktische Anwendung 
10.10.2. Erstellen einer Deep Learning-Anwendung mit TensorFlow 
10.10.3. Trainieren eines Modells mit TensorFlow 
10.10.4. Verwendung der Anwendung für die Vorhersage von Ergebnissen 

Modul 11. Deep Computer Vision mit Convolutional Neural Networks 

11.1. Die Visual-Cortex-Architektur 

11.1.1. Funktionen des visuellen Kortex 
11.1.2. Theorien des rechnergestützten Sehens 
11.1.3. Modelle der Bildverarbeitung 

11.2. Faltungsschichten 

11.2.1. Wiederverwendung von Gewichten bei der Faltung 
11.2.2. Faltung D 
11.2.3. Aktivierungsfunktionen 

11.3. Gruppierungsschichten und Implementierung von Gruppierungsschichten mit Keras 

11.3.1. Pooling und Striding 
11.3.2. Flattening 
11.3.3. Arten des Pooling 

11.4. CNN-Architektur 

11.4.1. VGG-Architektur 
11.4.2. AlexNet-Architektur 
11.4.3. ResNet-Architektur 

11.5. Implementierung eines ResNet CNN mit Keras 

11.5.1. Initialisierung der Gewichte 
11.5.2. Definition der Eingabeschicht 
11.5.3. Definition der Ausgabe 

11.6. Verwendung von vortrainierten Keras-Modellen 

11.6.1. Merkmale der vortrainierten Modelle 
11.6.2. Verwendung von vortrainierten Modellen 
11.6.3. Vorteile von vortrainierten Modellen 

11.7. Vortrainierte Modelle für das Transferlernen 

11.7.1. Transferlernen 
11.7.2. Prozess des Transferlernens 
11.7.3. Vorteile des Transferlernens 

11.8. Klassifizierung und Lokalisierung in Deep Computer Vision 

11.8.1. Klassifizierung von Bildern 
11.8.2. Objekte in Bildern lokalisieren 
11.8.3. Objekterkennung 

11.9. Objekterkennung und Objektverfolgung 

11.9.1. Methoden zur Objekterkennung 
11.9.2. Algorithmen zur Objektverfolgung 
11.9.3. Verfolgungs- und Lokalisierungstechniken 

11.10. Semantische Segmentierung 

11.10.1. Deep Learning für semantische Segmentierung 
11.10.1. Kantenerkennung 
11.10.1. Regelbasierte Segmentierungsmethoden 

Modul 12. Natürliche Sprachverarbeitung (NLP) mit rekurrenten neuronalen Netzen (RNN) und Aufmerksamkeit 

12.1. Textgenerierung mit RNN 

12.1.1. Training eines RNN für die Texterzeugung 
12.1.2. Generierung natürlicher Sprache mit RNN 
12.1.3. Anwendungen zur Texterzeugung mit RNN 

12.2. Erstellung von Trainingsdatensätzen 

12.2.1. Vorbereitung der Daten für das RNN-Training 
12.2.2. Speicherung des Trainingsdatensatzes 
12.2.3. Bereinigung und Transformation der Daten 
12.2.4. Sentiment-Analyse 

12.3. Ranking von Meinungen mit RNN 

12.3.1. Erkennung von Themen in Kommentaren 
12.3.2. Stimmungsanalyse mit Deep-Learning-Algorithmen 

12.4. Encoder-Decoder-Netz für neuronale maschinelle Übersetzung 

12.4.1. Training eines RNN für maschinelle Übersetzung 
12.4.2. Verwendung eines Encoder-Decoder-Netzwerks für die maschinelle Übersetzung 
12.4.3. Verbesserung der Genauigkeit der maschinellen Übersetzung mit RNNs 

12.5. Aufmerksamkeitsmechanismen 

12.5.1. Implementierung von Aufmerksamkeitsmechanismen in RNN 
12.5.2. Verwendung von Betreuungsmechanismen zur Verbesserung der Modellgenauigkeit 
12.5.3. Vorteile von Betreuungsmechanismen in neuronalen Netzen 

12.6. Transformer-Modelle 

12.6.1. Verwendung von Transformer-Modellen für die Verarbeitung natürlicher Sprache 
12.6.2. Anwendung von Transformer-Modellen für die Sicht 
12.6.3. Vorteile von Transformer-Modellen 

12.7. Transformers für die Sicht 

12.7.1. Verwendung von Transformer für die Sicht 
12.7.2. Vorverarbeitung von Bilddaten 
12.7.3. Training eines Transformer-Modells für die Sicht 

12.8. Hugging Face Transformers-Bibliothek 

12.8.1. Verwendung der Hugging Face Transformers-Bibliothek 
12.8.2. Anwendung der Hugging Face Transformers-Bibliothek 
12.8.3. Vorteile der Hugging Face Transformers-Bibliothek 

12.9. Andere Transformer-Bibliotheken. Vergleich 

12.9.1. Vergleich zwischen den verschiedenen Transformer-Bibliotheken 
12.9.2. Verwendung der anderen Transformer-Bibliotheken 
12.9.3. Vorteile der anderen Transformer-Bibliotheken 

12.10. Entwicklung einer NLP-Anwendung mit RNN und Aufmerksamkeit. Praktische Anwendung 

12.10.1. Entwicklung einer Anwendung zur Verarbeitung natürlicher Sprache mit RNN und Aufmerksamkeit 
12.10.2. Verwendung von RNN, Aufmerksamkeitsmechanismen und Transformer-Modellen in der Anwendung 
12.10.3. Bewertung der praktischen Umsetzung 

Modul 13. Autoencoder, GANs und Diffusionsmodelle 

13.1. Effiziente Datendarstellungen 

13.1.1. Reduzierung der Dimensionalität 
13.1.2. Tiefes Lernen 
13.1.3. Kompakte Repräsentationen 

13.2. Realisierung von PCA mit einem unvollständigen linearen automatischen Kodierer 

13.2.1. Trainingsprozess 
13.2.2. Python-Implementierung 
13.2.3. Verwendung von Testdaten 

13.3. Gestapelte automatische Kodierer 

13.3.1. Tiefe neuronale Netze 
13.3.2. Konstruktion von Kodierungsarchitekturen 
13.3.3. Verwendung der Regularisierung 

13.4. Faltungs-Autokodierer 

13.4.1. Entwurf eines Faltungsmodells 
13.4.2. Training von Faltungsmodellen 
13.4.3. Auswertung der Ergebnisse 

13.5. Automatische Entrauschung des Encoders 

13.5.1. Anwendung von Filtern 
13.5.2. Entwurf von Kodierungsmodellen 
13.5.3. Anwendung von Regularisierungstechniken 

13.6. Automatische Verteilkodierer 

13.6.1. Steigerung der Kodierungseffizienz 
13.6.2. Minimierung der Anzahl von Parametern 
13.6.3. Verwendung von Regularisierungstechniken 

13.7. Automatische Variationskodierer 

13.7.1. Verwendung der Variationsoptimierung 
13.7.2. Unüberwachtes tiefes Lernen 
13.7.3. Tiefe latente Repräsentationen 

13.8. Modische MNIST-Bilderzeugung 

13.8.1. Mustererkennung 
13.8.2. Bilderzeugung 
13.8.3. Training Tiefer Neuronaler Netze 

13.9. Generative Adversarial Networks und Diffusionsmodelle 

13.9.1. Bildbasierte Inhaltsgenerierung 
13.9.2. Modellierung von Datenverteilungen 
13.9.3. Verwendung von Adversarial Networks 

13.10. Implementierung der Modelle 

13.10.1. Praktische Anwendung 
13.10.2. Implementierung der Modelle 
13.10.3. Verwendung von realen Daten 
13.10.4. Auswertung der Ergebnisse 

Modul 14. Bio-inspiriertes Computing  

14.1. Einführung in das bio-inspirierte Computing 

14.1.1. Einführung in das bio-inspirierte Computing 

14.2. Algorithmen zur sozialen Anpassung 

14.2.1. Bioinspiriertes Computing auf der Grundlage von Ameisenkolonien 
14.2.2. Varianten von Ameisenkolonie-Algorithmen 
14.2.3. Cloud-basiertes Computing auf Partikelebene 

14.3. Genetische Algorithmen 

14.3.1. Allgemeine Struktur 
14.3.2. Implementierungen der wichtigsten Operatoren 

14.4. Explorations-Ausbeutungsraum-Strategien für genetische Algorithmen 

14.4.1. CHC-Algorithmus 
14.4.2. Multimodale Probleme 

14.5. Evolutionäre Berechnungsmodelle (I) 

14.5.1. Evolutionäre Strategien 
14.5.2. Evolutionäre Programmierung 
14.5.3. Algorithmen auf der Grundlage der differentiellen Evolution 

14.6. Evolutionäre Berechnungsmodelle (II) 

14.6.1. Evolutionäre Modelle auf der Grundlage der Schätzung von Verteilungen (EDA) 
14.6.2. Genetische Programmierung 

14.7. Evolutionäre Programmierung angewandt auf Lernprobleme 

14.7.1. Regelbasiertes Lernen 
14.7.2. Evolutionäre Methoden bei Instanzauswahlproblemen 

14.8. Multi-Objektive Probleme 

14.8.1. Konzept der Dominanz 
14.8.2. Anwendung evolutionärer Algorithmen auf multikriterielle Probleme 

14.9. Neuronale Netze (I) 

14.9.1. Einführung in neuronale Netzwerke 
14.9.2. Praktisches Beispiel mit neuronalen Netzwerken 

14.10. Neuronale Netze 

14.10.1. Anwendungsbeispiele für neuronale Netze in der medizinischen Forschung 
14.10.2. Anwendungsbeispiele für neuronale Netze in der Wirtschaft 
14.10.3. Anwendungsfälle für neuronale Netze in der industriellen Bildverarbeitung 

Modul 15. Künstliche Intelligenz: Strategien und Anwendungen  

15.1. Finanzdienstleistungen 

15.1.1. Die Auswirkungen von künstlicher Intelligenz (KI) auf Finanzdienstleistungen.  Chancen und Herausforderungen  
15.1.2. Anwendungsbeispiele  
15.1.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI 
15.1.4. Mögliche zukünftige Entwicklungen/Nutzungen von KI 

15.2. Auswirkungen von künstlicher Intelligenz im Gesundheitswesen  

15.2.1. Auswirkungen von KI im Gesundheitswesen. Chancen und Herausforderungen  
15.2.2. Anwendungsbeispiele 

15.3. Risiken im Zusammenhang mit dem Einsatz von KI im Gesundheitswesen 

15.3.1. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI 
15.3.2. Mögliche zukünftige Entwicklungen/Nutzungen von KI  

15.4. Retail  

15.4.1. Auswirkungen von KI im Retail. Chancen und Herausforderungen  
15.4.2. Anwendungsbeispiele  
15.4.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  
15.4.4. Mögliche zukünftige Entwicklungen/Nutzungen von KI 

15.5. Industrie   

15.5.1. Auswirkungen von KI in der Industrie. Chancen und Herausforderungen 
15.5.2. Anwendungsbeispiele 

15.6. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI in der Industrie   

15.6.1. Anwendungsbeispiele 
15.6.2. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI 
15.6.3. Mögliche zukünftige Entwicklungen/Nutzungen von KI  

15.7. Öffentliche Verwaltung  

15.7.1. Auswirkungen von KI in der Öffentlichen Verwaltung. Chancen und Herausforderungen 
15.7.2. Anwendungsbeispiele  
15.7.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  
15.7.4. Mögliche zukünftige Entwicklungen/Nutzungen von KI  

15.8. Bildung  

15.8.1. Auswirkungen von KI in der Bildung. Chancen und Herausforderungen 
15.8.2. Anwendungsbeispiele  
15.8.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  
15.8.4. Mögliche zukünftige Entwicklungen/Nutzungen von KI 

15.9. Forst- und Landwirtschaft  

15.9.1. Auswirkungen von KI in der Forst- und Landwirtschaft. Chancen und Herausforderungen
15.9.2. Anwendungsbeispiele 
15.9.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI 
15.9.4. Mögliche zukünftige Entwicklungen/Nutzungen von KI  

15.10. Das Personalwesen  

15.10.1. Auswirkungen von KI im Personalwesen. Chancen und Herausforderungen 
15.10.2. Anwendungsbeispiele  
15.10.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von KI  
15.10.4. Mögliche zukünftige Entwicklungen/Nutzungen von KI 

Modul 16. Datenanalyse und Anwendung von KI-Techniken zur Personalisierung der Bildung 

16.1. Identifizierung, Extraktion und Aufbereitung von Bildungsdaten 

16.1.1. Anwendung von H2O.ai bei der Sammlung und Auswahl relevanter Daten in Bildungsumgebungen
16.1.2. Datenbereinigung und Standardisierungstechniken für die Bildungsanalyse 
16.1.3. Bedeutung von Datenintegrität und Datenqualität in der Bildungsforschung 

16.2. Analyse und Evaluierung von Bildungsdaten mit KI zur kontinuierlichen Verbesserung im Klassenzimmer 

16.2.1. Implementierung von TensorFlow bei der Auswertung von Bildungstrends und -mustern mithilfe von Techniken des Machine Learning
16.2.2. Bewertung der Auswirkungen von pädagogischen Strategien durch Datenanalyse 
16.2.3. Anwendung von Trinka bei der Integration von KI-basiertem Feedback zur Optimierung des Unterrichtsprozesses 

16.3. Definition von Indikatoren für akademische Leistungen aus Bildungsdaten 

16.3.1. Festlegung von Schlüsselindikatoren für die Bewertung von Schülerleistungen 
16.3.2. Vergleich von Indikatoren, um verbesserungswürdige Bereiche zu ermitteln 
16.3.3. Korrelation zwischen akademischen Indikatoren und externen Faktoren unter Verwendung von KI 

16.4. KI-Tools für Bildungsmonitoring und Entscheidungsfindung 

16.4.1. Entscheidungsunterstützende Systeme auf der Grundlage von tome.ai für Bildungsverwalter 
16.4.2. Verwendung von Trello für die Planung und Zuweisung von Bildungsressourcen
16.4.3. Optimierung von Bildungsprozessen durch prädiktive Analysen mit Orange Data Mining  

16.5. KI-Technologien und -Algorithmen für die prädiktive Analyse von schulischen Leistungsdaten

16.5.1. Grundlagen der prädiktiven Modellierung im Bildungswesen 
16.5.2. Einsatz von Klassifikations- und Regressionsalgorithmen zur Vorhersage von Bildungstrends 
16.5.3. Fallstudien über erfolgreiche Vorhersagen im Bildungsbereich 

16.6. Anwendung der Datenanalyse mit KI für die Prävention und Lösung von Bildungsproblemen 

16.6.1. Frühzeitige Erkennung von akademischen Risiken durch prädiktive Analytik 
16.6.2. Datengesteuerte Interventionsstrategien zur Bewältigung von Bildungsproblemen 
16.6.3. Bewertung der Auswirkungen von auf DataRobot AI basierenden Lösungen in der Bildung

16.7. Personalisierte Diagnose von Lernschwierigkeiten durch KI-Datenanalyse 

16.7.1. KI-Techniken zur Identifizierung von Lernstilen und Lernschwierigkeiten mit IBM Watson Education 
16.7.2. Integration der Datenanalyse in individualisierte pädagogische Förderpläne 
16.7.3. Fallstudien zur KI-gestützten Diagnose 

16.8. Datenanalyse und Anwendung von KI zur Identifizierung von besonderem Bildungsbedarf

16.8.1. KI-Ansätze zur Erkennung von sonderpädagogischem Förderbedarf mit Gooroo 
16.8.2. Personalisierung von Unterrichtsstrategien auf der Grundlage von Datenanalysen 
16.8.3. Bewertung der Auswirkungen von KI auf die schulische Integration 

16.9. Personalisierung des Lernens mit KI auf der Grundlage der Datenanalyse akademischer Leistungen 

16.9.1. Erstellung adaptiver Lernpfade mit Smart Sparrow 
16.9.2. Implementierung von Empfehlungssystemen für Bildungsressourcen 
16.9.3. Messung individueller Fortschritte und Anpassungen in Echtzeit mithilfe von Squirrel AI Learning 

16.10. Sicherheit und Datenschutz bei der Verarbeitung von Bildungsdaten 

16.10.1. Ethische und rechtliche Grundsätze bei der Verwaltung von Bildungsdaten 
16.10.2. Datenschutz und Techniken zum Schutz der Privatsphäre in Bildungssystemen mit Google Cloud Security 
16.10.3. Fallstudien über Sicherheitsverletzungen und ihre Auswirkungen auf die Bildung 

Modul 17. Entwicklung von Projekten der künstlichen Intelligenz im Klassenzimmer

17.1. Planung und Design von KI-Projekten in der Bildung mit Algor Education

17.1.1. Erste Schritte der Projektplanung  
17.1.2. Wissensgrundlagen  
17.1.3. Design von KI-Projekten in der Bildung   

17.2. Werkzeuge für die Entwicklung von Bildungsprojekten mit KI  

17.2.1. Werkzeuge für die Entwicklung von Bildungsprojekten: TensorFlow Playground
17.2.2. Werkzeuge für Bildungsprojekte im Fach Geschichte  
17.2.3. Werkzeuge für Bildungsprojekte im Fach Mathematik; Wolfram Alpha
17.2.4. Werkzeuge für Bildungsprojekte im Fach Englisch: Grammarly

17.3. Strategien für die Umsetzung von KI-Projekten im Klassenzimmer  

17.3.1. Wann sollte ein KI-Projekt durchgeführt werden?  
17.3.2. Warum ein KI-Projekt durchführen?  
17.3.3. Zu implementierende Strategien   

17.4. Integration von KI-Projekten in spezifische Fächer  

17.4.1. Mathematik und KI: Thinkster math
17.4.2. Geschichte und KI  
17.4.3. Sprachen und KI: DeepL
17.4.4. Andere Fächer: Watson Studio

17.5. Projekt 1: Entwicklung von Bildungsprojekten mit maschinellem Lernen mit Khan Academy

17.5.1. Erste Schritte  
17.5.2. Erfassen von Anforderungen  
17.5.3. Zu verwendende Tools  
17.5.4. Definition des Projekts    

17.6. Projekt 2: Integration von KI in die Entwicklung von Lernspielen   

17.6.1. Erste Schritte  
17.6.2. Erfassen von Anforderungen  
17.6.3. Zu verwendende Tools  
17.6.4. Definition des Projekts    

17.7. Projekt 3: Entwicklung von pädagogischen Chatbots zur Unterstützung der Schüler 

17.7.1. Erste Schritte  
17.7.2. Erfassen von Anforderungen  
17.7.3. Zu verwendende Tools  
17.7.4. Definition des Projekts   

17.8. Projekt 4: Integration von intelligenten Agenten in Bildungsplattformen mit Knewton

17.8.1. Erste Schritte  
17.8.2. Erfassen von Anforderungen  
17.8.3. Zu verwendende Tools  
17.8.4. Definition des Projekts   

17.9. Bewertung und Messung der Auswirkungen von KI-Projekten im Bildungswesen mit Qualtrics

17.9.1. Vorteile der Arbeit mit KI im Klassenzimmer  
17.9.2. Reale Daten  
17.9.3. KI im Klassenzimmer   
17.9.4. Statistiken über KI in der Bildung   

17.10. Analyse und kontinuierliche Verbesserung von KI-Projekten im Bildungswesen mit Edmodo Insights

17.10.1. Laufende Projekte   
17.10.2. Umsetzung  
17.10.3. Was die Zukunft bringt  
17.10.4. Umwandlung in 360°-Klassenzimmer  

Modul 18. Lehrpraxis mit generativer künstlicher Intelligenz    

18.1. Generative KI-Technologien für den Einsatz im Bildungswesen  

18.1.1. Aktueller Markt: Artbreeder, Runway ML und DeepDream Generator
18.1.2. Eingesetzte Technologien  
18.1.3. Was noch kommen wird  
18.1.4. Die Zukunft des Klassenzimmers  

18.2. Anwendung von generativen KI-Tools in der Bildungsplanung  

18.2.1. Planungswerkzeuge: Altitude Learning
18.2.2. Werkzeuge und ihre Anwendung  
18.2.3. Bildung und KI  
18.2.4. Evolution   

18.3. Erstellung von didaktischen Materialien mit generativer KI unter Verwendung von Story Ai, Pix2PIx und NeouralTalk2

18.3.1. KI und ihre Anwendung im Unterricht  
18.3.2. Werkzeuge zur Erstellung von didaktischem Material  
18.3.3. Wie man mit den Werkzeugen arbeitet  
18.3.4. Befehle  

18.4. Entwicklung von Bewertungstests unter Verwendung generativer KI mit Quizgecko

18.4.1. KI und ihre Verwendung bei der Entwicklung von Bewertungstests   
18.4.2. Werkzeuge für die Entwicklung von Bewertungstests   
18.4.3. Wie man mit den Werkzeugen arbeitet  
18.4.4. Befehle   

18.5. Verbessertes Feedback und Kommunikation mit generativer KI  

18.5.1. KI in der Kommunikation  
18.5.2. Anwendung von Werkzeugen bei der Entwicklung der Kommunikation im Klassenzimmer  
18.5.3. Vor- und Nachteile   

18.6. Korrektur von Bewertungsaktivitäten und -tests durch generative KI mit Gradescope AI

18.6.1. KI und ihre Verwendung bei der Korrektur von Bewertungsaktivitäten und -Tests  
18.6.2. Werkzeuge für die Korrektur von Bewertungsaktivitäten und -Tests   
18.6.3. Wie man mit den Werkzeugen arbeitet  
18.6.4. Befehle  

18.7. Generierung von Umfragen zur Bewertung der Lehrqualität mit generativer KI  

18.7.1. KI und ihre Anwendungen bei der Erstellung von KI-basierten Umfragen zur Bewertung der Lehrqualität   
18.7.2. Werkzeuge für die Erstellung von KI-basierten Umfragen zur Bewertung der Lehrqualität  
18.7.3. Wie man mit den Werkzeugen arbeitet  
18.7.4. Befehle  

18.8. Integration von generativen KI-Werkzeugen in pädagogische Strategien  

18.8.1. KI-Anwendungen in pädagogischen Strategien  
18.8.2. Richtige Anwendungen   
18.8.3. Vor- und Nachteile  
18.8.4. Generative KI-Werkzeuge in pädagogischen Strategien: Gans

18.9. Einsatz generativer KI für universelles Design beim Lernen  

18.9.1. Generative KI, warum jetzt?  
18.9.2. KI beim Lernen  
18.9.3. Vor- und Nachteile  
18.9.4. Anwendungen der KI beim Lernen  

18.10. Bewertung der Effektivität von generativer KI in der Bildung  

18.10.1. Daten zur Effektivität  
18.10.2. Projekte  
18.10.3. Planungszwecke  
18.10.4. Bewertung der Wirksamkeit von KI in der Bildung   

Modul 19. Innovationen und aufkommende Trends in der KI für die Bildung 

19.1. Neue KI-Tools und -Technologien im Bereich der Bildung  

19.1.1. Veraltete KI-Tools  
19.1.2. Aktuelle Tools: ClassDojo und Seesaw
19.1.3. Zukünftige Tools   

19.2. Erweiterte und virtuelle Realität in der Bildung  

19.2.1. Tools für erweiterte Realität  
19.2.2. Tools für virtuelle Realität  
19.2.3. Anwendung von Tools und deren Nutzen  
19.2.4. Vor- und Nachteile  

19.3. Konversationelle KI für pädagogische Unterstützung und interaktives Lernen mit Wysdom AI und SnatchBot

19.3.1. Konversationelle KI, warum jetzt?  
19.3.2. KI beim Lernen  
19.3.3. Vor- und Nachteile  
19.3.4. Anwendungen der KI beim Lernen  

19.4. Anwendung von KI zur Verbesserung der Wissensspeicherung  

19.4.1. KI als Hilfsmittel  
19.4.2. Zu befolgende Leitlinien   
19.4.3. KI-Leistung beim Wissenserhalt  
19.4.4. KI und unterstützende Werkzeuge  

19.5. Technologien zur Gesichts- und Gefühlserkennung für die Überwachung von Engagement und Wohlbefinden der Lernenden   

19.5.1. Heute auf dem Markt befindliche Technologien zur Gesichts- und Gefühlserkennung  
19.5.2. Verwendungen  
19.5.3. Anwendungen  
19.5.4. Fehlermarge  
19.5.5. Vor- und Nachteile  

19.6. Blockchain und KI in der Bildung zur Veränderung der Bildungsverwaltung und Zertifizierung   

19.6.1. Was ist die Blockchain?  
19.6.2. Blockchain und ihre Anwendungen  
19.6.3. Blockchain als transformatives Element  
19.6.4. Bildungsverwaltung und Blockchain  

19.7. Aufkommende KI-Tools zur Verbesserung der Lernerfahrung mit Squirrel AI Learning

19.7.1. Laufende Projekte   
19.7.2. Umsetzung  
19.7.3. Was die Zukunft bringt  
19.7.4. Umwandlung in 360°-Klassenzimmer  

19.8. Strategien für die Entwicklung von Pilotprojekten mit aufkommender KI  

19.8.1. Vor- und Nachteile  
19.8.2. Zu entwickelnde Strategien  
19.8.3. Wichtige Punkte  
19.8.4. Pilotprojekte  

19.9. Analyse der Erfolgsgeschichten von KI-Innovationen  

19.9.1. Innovative Projekte  
19.9.2. Anwendung von KI und ihre Vorteile  
19.9.3. KI im Klassenzimmer, Erfolgsgeschichten  

19.10. Zukunft der KI in der Bildung  

19.10.1. Geschichte der KI in der Bildung  
19.10.2. Wohin sich die KI im Klassenzimmer entwickelt  
19.10.3. Zukünftige Projekte  

Modul 20. Ethik und Gesetzgebung der künstlichen Intelligenz in der Bildung 

20.1. Identifizierung und ethischer Umgang mit sensiblen Daten im Bildungskontext 

20.1.1. Grundsätze und Praktiken für den ethischen Umgang mit sensiblen Daten im Bildungsbereich 
20.1.2. Herausforderungen beim Schutz der Privatsphäre und der Vertraulichkeit von Daten von Schülern 
20.1.3. Strategien zur Gewährleistung von Transparenz und informierter Zustimmung bei der Datenerhebung 

20.2. Soziale und kulturelle Auswirkungen von KI im Bildungswesen 

20.2.1. Analyse der Auswirkungen von KI auf die soziale und kulturelle Dynamik in Bildungseinrichtungen 
20.2.2. Untersuchung der Frage, wie Microsoft AI for Accessibility soziale Vorurteile und Ungleichheiten aufrechterhalten oder abschwächen kann 
20.2.3. Bewertung der sozialen Verantwortung von Entwicklern und Pädagogen bei der Implementierung von KI 

20.3. Gesetzgebung und Datenpolitik zu KI in Bildungsumgebungen 

20.3.1. Überprüfung der aktuellen Gesetze und Vorschriften zu Daten und Datenschutz, die für KI im Bildungsbereich gelten 
20.3.2. Auswirkungen der Datenpolitik auf die Bildungspraxis und technologische Innovation 
20.3.3. Entwicklung institutioneller Strategien für den ethischen Einsatz von KI im Bildungsbereich mit AI Ethics Lab 

20.4. Bewertung der ethischen Auswirkungen von KI 

20.4.1. Methoden zur Bewertung der ethischen Auswirkungen von KI-Anwendungen im Bildungsbereich 
20.4.2. Herausforderungen bei der Messung der sozialen und ethischen Auswirkungen von KI 
20.4.3. Schaffung eines ethischen Rahmens für die Entwicklung und Nutzung von KI im Bildungswesen 

20.5. Herausforderungen und Chancen der KI in der Bildung 

20.5.1. Identifizierung der wichtigsten ethischen und rechtlichen Herausforderungen beim Einsatz von KI in der Bildung 
20.5.2. Untersuchung der Möglichkeiten zur Verbesserung des Lehrens und Lernens durch Squirrel AI Learning 
20.5.3. Abwägung zwischen technologischer Innovation und ethischen Erwägungen in der Bildung 

20.6. Ethische Anwendung von KI-Lösungen in der Bildung 

20.6.1. Grundsätze für den ethischen Entwurf und Einsatz von KI-Lösungen in der Bildung 
20.6.2. Fallstudien zu ethischen Anwendungen von KI in verschiedenen Bildungskontexten 
20.6.3. Strategien zur Einbeziehung aller Beteiligten in ethische KI-Entscheidungen 

20.7. KI, kulturelle Vielfalt und Geschlechtergerechtigkeit 

20.7.1. Analyse der Auswirkungen von KI auf die Förderung von kultureller Vielfalt und Geschlechtergerechtigkeit in der Bildung 
20.7.2. Strategien für die Entwicklung integrativer und diversitätssensibler KI-Systeme mit Teachable Machine by Google 
20.7.3. Bewertung, wie KI die Repräsentation und Behandlung verschiedener kultureller und geschlechtsspezifischer Gruppen beeinflussen kann 

20.8. Ethische Überlegungen für den Einsatz von KI-Tools in der Bildung 

20.8.1. Ethische Richtlinien für die Entwicklung und den Einsatz von KI-Tools im Klassenzimmer 
20.8.2. Diskussion über das Gleichgewicht zwischen Automatisierung und menschlichem Eingreifen in der Bildung 
20.8.3. Analyse von Fällen, in denen der Einsatz von KI in der Bildung erhebliche ethische Fragen aufgeworfen hat 

20.9. Auswirkungen der KI auf die Zugänglichkeit der Bildung 

20.9.1. Untersuchung der Frage, wie KI die Zugänglichkeit im Bildungswesen verbessern oder einschränken kann 
20.9.2. Analyse von KI-Lösungen zur Verbesserung der Inklusion und des Zugangs zu Bildung für alle mit Google Read Along  
20.9.3. Ethische Herausforderungen bei der Implementierung von KI-Technologien zur Verbesserung der Zugänglichkeit 

20.10. Globale Fallstudien zu KI und Bildung 

20.10.1. Analyse internationaler Fallstudien über den Einsatz von KI im Bildungswesen 
20.10.2. Vergleich von ethischen und rechtlichen Ansätzen in verschiedenen kulturellen Bildungskontexten 
20.10.3. Lessons Learned und Best Practices aus globalen Fällen von KI und Bildung 

Sie werden in ein umfassendes und fortschrittliches Programm eintauchen, das einzigartig darin ist, hochqualifizierte Fachleute fortzubilden, die den Herausforderungen der KI-getriebenen Bildungslandschaft gewachsen sind"