Dank dieses 100%igen Online-Masterstudiengangs werden Sie das Beste aus der künstlichen Intelligenz herausholen, um die Nutzererfahrungen zu optimieren und Inhalte zu personalisieren“

Warum an der TECH studieren?

TECH ist die weltweit größte 100%ige Online Business School. Es handelt sich um eine Elite-Business School mit einem Modell, das höchsten akademischen Ansprüchen genügt. Ein leistungsstarkes internationales Zentrum für die intensive Fortbildung von Führungskräften.   

TECH ist eine Universität an der Spitze der Technologie, die dem Studenten alle Ressourcen zur Verfügung stellt, um ihm zu helfen, geschäftlich erfolgreich zu sein“

Bei TECH Technologische Universität

Innovation

Die Universität bietet ein Online-Lernmodell an, das modernste Bildungstechnologie mit höchster pädagogischer Genauigkeit verbindet. Eine einzigartige Methode mit höchster internationaler Anerkennung, die dem Studenten die Schlüssel für seine Entwicklung in einer Welt des ständigen Wandels liefert, in der Innovation der wesentliche Einsatz eines jeden Unternehmers sein muss.

“Die Erfolgsgeschichte von Microsoft Europa” für die Einbeziehung des neuen interaktiven Multivideosystems in unsere Programme. 

Maximalforderung

Das Zulassungskriterium von TECH ist nicht wirtschaftlich. Sie brauchen keine große Investitionen zu tätigen, um bei TECH zu studieren. Um jedoch einen Abschluss bei TECH zu erlangen, werden die Grenzen der Intelligenz und der Kapazität des Studenten getestet. Die akademischen Standards von TECH sind sehr hoch...

95% Der Studenten von TECH schließen ihr Studium erfolgreich ab.

Networking

Fachleute aus der ganzen Welt nehmen an der TECH teil, so dass der Student ein großes Netzwerk von Kontakten knüpfen kann, die für seine Zukunft nützlich sein werden.

+100.000 jährlich spezialisierte Manager, +200 verschiedene Nationalitäten.

Empowerment

Der Student wird Hand in Hand mit den besten Unternehmen und Fachleuten von großem Prestige und Einfluss wachsen. TECH hat strategische Allianzen und ein wertvolles Netz von Kontakten zu den wichtigsten Wirtschaftsakteuren auf den 7 Kontinenten aufgebaut.  

+500 Partnerschaften mit den besten Unternehmen.

Talent

Dieses Programm ist ein einzigartiger Vorschlag, um die Talente des Studenten in der Geschäftswelt zu fördern. Eine Gelegenheit für ihn, seine Anliegen und seine Geschäftsvision vorzutragen.

TECH hilft dem Studenten, sein Talent am Ende dieses Programms der Welt zu zeigen.

Multikultureller Kontext

Ein Studium bei TECH bietet dem Studenten eine einzigartige Erfahrung. Er wird in einem multikulturellen Kontext studieren. In einem Programm mit einer globalen Vision, dank derer er die Arbeitsweise in verschiedenen Teilen der Welt kennenlernen und die neuesten Informationen sammeln kann, die am besten zu seiner Geschäftsidee passen.

Unsere Studenten kommen aus mehr als 200 Ländern.   

Mit den Besten lernen

Das Lehrteam von TECH erklärt im Unterricht, was sie in ihren Unternehmen zum Erfolg geführt hat, und zwar in einem realen, lebendigen und dynamischen Kontext. Lehrkräfte, die sich voll und ganz dafür einsetzen, eine hochwertige Spezialisierung zu bieten, die es dem Studenten ermöglicht, in seiner Karriere voranzukommen und sich in der Geschäftswelt zu profilieren.

Lehrkräfte aus 20 verschiedenen Ländern.

TECH strebt nach Exzellenz und hat zu diesem Zweck eine Reihe von Merkmalen, die sie zu einer einzigartigen Universität machen:  

Analyse

TECH erforscht die kritische Seite des Studenten, seine Fähigkeit, Dinge zu hinterfragen, seine Problemlösungsfähigkeiten und seine zwischenmenschlichen Fähigkeiten.

Akademische Spitzenleistung

TECH bietet dem Studenten die beste Online-Lernmethodik. Die Universität kombiniert die Relearning-Methode (die international am besten bewertete Lernmethode für Aufbaustudien) mit der Fallstudie. Tradition und Avantgarde in einem schwierigen Gleichgewicht und im Rahmen einer anspruchsvollen akademischen Laufbahn.

Skaleneffekt

TECH ist die größte Online-Universität der Welt. Sie verfügt über ein Portfolio von mehr als 10.000 Hochschulabschlüssen. Und in der neuen Wirtschaft gilt: Volumen + Technologie = disruptiver Preis. Damit stellt TECH sicher, dass das Studium nicht so kostspielig ist wie an anderen Universitäten.

Bei TECH werden Sie Zugang zu den präzisesten und aktuellsten Fallstudien im akademischen Bereich haben" 

Der Privater masterstudiengang in Künstliche Intelligenz im Digitalen Marketing ist ein Programm, das Flexibilität garantiert, dank eines bequemen 100%igen Online-Formats, das Ihnen erlaubt, die Zeit und den Ort zu wählen, die Ihnen am besten passen, um Ihr Wissen zu erweitern. Der Universitätsabschluss erstreckt sich über 12 Monate, in denen Sie eine akademische Erfahrung machen, die Ihren beruflichen Horizont auf ein höheres Niveau hebt.

Sie werden etwas über die aktuelle Situation auf dem Arbeitsmarkt im Bereich der künstlichen Intelligenz im digitalen Marketing lernen und Ihre Erfolgschancen dank TECH vervielfachen"

Lehrplan

Der Studiengang in Künstliche Intelligenz im Digitalen Marketing ist ein intensives Programm, das Sie mit den Werkzeugen ausstattet, die Sie benötigen, um die fundiertesten strategischen Entscheidungen zu treffen. Auf diese Weise werden die Absolventen Daten und Analysen nutzen, um sowohl die Wirksamkeit als auch die Leistung von Werbekampagnen zu verbessern.

Während der 12-monatigen Fortbildung haben die Studenten Zugang zu qualitativ hochwertigem Lehrmaterial, das von einem auf dem Gebiet der künstlichen Intelligenz erfahrenen Lehrkörper erstellt wird. Darüber hinaus umfasst der Studiengang eine Vielzahl von Ressourcen zur Vertiefung von Schlüsselkonzepten, darunter Fallstudien, Fachlektüre und interaktive Zusammenfassungen.

Dieser Hochschulabschluss befasst sich mit der Personalisierung von Inhalten mithilfe von Adobe Sensei sowie mit der Vorhersage von Trends und Kaufverhalten. Auf diese Weise werden sich die Experten durch umfassende Kenntnisse über Künstliche Intelligenz im Digitalen Marketing auszeichnen und eine vollständige strategische Perspektive erwerben.

Der Lehrplan wird die Spezialisten mit den notwendigen Fähigkeiten ausstatten, um die Herausforderungen, die bei der Implementierung von künstlicher Intelligenz in ihren verschiedenen Projekten auftreten, erfolgreich zu bewältigen. Zu diesem Zweck wird der Lehrplan die neuesten Trends in Bereichen wie intelligente Systeme und Machine Learning vermitteln. Auf diese Weise werden die Absolventen hochqualifiziert sein, um innovative Projekte zu entwickeln, die sich auf dem Markt abheben.

Dieser Privater masterstudiengang erstreckt sich über 12 Monate und ist in 20 Module unterteilt:

Modul 1. Grundlagen der künstlichen Intelligenz
Modul 2. Datentypen und Datenlebenszyklus
Modul 3. Daten in der künstlichen Intelligenz
Modul 4. Data Mining. Auswahl, Vorverarbeitung und Transformation
Modul 5. Algorithmik und Komplexität in der künstlichen Intelligenz
Modul 6. Intelligente Systeme
Modul 7. Maschinelles Lernen und Data Mining
Modul 8. Neuronale Netze, die Grundlage von Deep Learning
Modul 9. Training Tiefer Neuronaler Netze
Modul 10. Anpassung von Modellen und Training mit TensorFlow
Modul 11. Deep Computer Vision mit Convolutional Neural Networks
Modul 12. Natürliche Sprachverarbeitung (NLP) mit rekurrenten neuronalen Netzen (RNN) und Aufmerksamkeit
Modul 13. Autoencoder, GANs und Diffusionsmodelle
Modul 14. Bio-inspiriertes Computing
Modul 15. Künstliche Intelligenz: Strategien und Anwendungen
Modul 16. Anwendungen der künstlichen Intelligenz im digitalen Marketing und elektronischen Handel
Modul 17. Kampagnenoptimierung und Anwendung von künstlicher Intelligenz
Modul 18. Künstliche Intelligenz und Benutzererfahrung im digitalen Marketing
Modul 19. Analyse von digitalen Marketingdaten mit künstlicher Intelligenz
Modul 20. Künstliche Intelligenz zur Automatisierung von E-Commerce-Prozessen

Wo, wann und wie wird unterrichtet?

TECH bietet die Möglichkeit, diesen Privater masterstudiengang in Künstliche Intelligenz im Digitalen Marketing vollständig online zu absolvieren. Während der 12-monatigen Spezialisierung wird der Student jederzeit auf alle Inhalte dieses Programms zugreifen können, was ihm die Möglichkeit gibt, seine Studienzeit selbst zu verwalten.

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. Linked Data 

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. Die 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
2.3.2. 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. Analyse der Daten
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 nicht-rekursiven 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 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 Format TFRecord 

10.7.1. Verwendung der TFRecord-API zur Serialisierung von Daten 
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 der Vorverarbeitung in Pipelines mit Keras 
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. Modelltraining 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 Architektur des Visual Cortex 

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-Netzes 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. Transformer 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 auf Finanzdienstleistungen.  Chancen und Herausforderungen
15.1.2. Anwendungsbeispiele
15.1.3. Potenzielle Risiken im Zusammenhang mit dem Einsatz von künstlicher Intelligenz
15.1.4. Mögliche zukünftige Entwicklungen/Nutzungen von künstlicher Intelligenz

15.2. Auswirkungen von künstlicher Intelligenz im Gesundheitswesen

15.2.1. Auswirkungen von künstlicher Intelligenz im Gesundheitswesen. Chancen und Herausforderungen
15.2.2. Anwendungsbeispiele

15.3. Risiken im Zusammenhang mit dem Einsatz von künstlicher Intelligenz im Gesundheitswesen

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

15.4. Retail

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

15.5. Industrie

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

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

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

15.7. Öffentliche Verwaltung

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

15.8. Bildung

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

15.9. Forst- und Landwirtschaft

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

15.10. Das Personalwesen

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

Modul 16. Anwendungen der künstlichen Intelligenz im digitalen Marketing und elektronischen Handel

16.1. Künstliche Intelligenz im digitalen Marketing und elektronischen Handel

16.1.1. Personalisierung von Inhalten und Empfehlungen mit Adobe Sensei
16.1.2. Zielgruppensegmentierung und Marktanalyse
16.1.3. Vorhersage von Trends und Kaufverhalten

16.2. Digitale Strategie mit Optimizely

16.2.1. Einbindung von KI in die strategische Planung
16.2.2. Prozessautomatisierung
16.2.3. Strategische Entscheidungen

16.3. Kontinuierliche Anpassung an die Veränderungen im digitalen Umfeld

16.3.1. Strategien für das Änderungsmanagement
16.3.2. Anpassung von Marketingstrategien
16.3.3. Innovation

16.4. Content Marketing und künstliche Intelligenz mit Hub Spot

16.4.1. Personalisierung von Inhalten
16.4.2. Optimierung von Titeln und Beschreibungen
16.4.3. Erweiterte Zielgruppensegmentierung
16.4.4. Stimmungsanalyse
16.4.5. Content-Marketing-Automatisierung

16.5. Automatische Inhaltserstellung

16.5.1. Optimierung der Inhalte für SEO
16.5.2. Engagement
16.5.3. Analyse von Gefühlen und Emotionen in Inhalten

16.6. KI in Inbound-Marketing-Strategien mit Evergage

16.6.1. Wachstumsstrategien auf der Grundlage von künstlicher Intelligenz
16.6.2. Identifizierung von Gelegenheiten für Inhalte und Vertrieb
16.6.3. Einsatz von künstlicher Intelligenz bei der Identifizierung von Geschäftsmöglichkeiten

16.7. Automatisierung von Arbeitsabläufen und Lead Tracking mit Segment

16.7.1. Erfassen von Informationen
16.7.2. Lead-Segmentierung und Lead Scoring
16.7.3. Multi-Channel-Nachverfolgung
16.7.4. Analyse und Optimierung

16.8. Personalisierung der Nutzererfahrungen auf der Grundlage des Kaufzyklus mit Autopilot

16.8.1. Personalisierter Inhalt
16.8.2. Automatisierung und Optimierung der Benutzererfahrung
16.8.3. Retargeting

16.9. Künstliche Intelligenz und digitales Unternehmertum

16.9.1. Wachstumsstrategien auf der Grundlage von künstlicher Intelligenz
16.9.2. Fortgeschrittene Datenanalyse
16.9.3. Preisoptimierung
16.9.4. Branchenspezifische Anwendungen

16.10. Anwendungen der künstlichen Intelligenz für Start-ups und aufstrebende Unternehmen

16.10.1. Herausforderungen und Chancen
16.10.2. Branchenspezifische Anwendungen
16.10.3. Integration von künstlicher Intelligenz in bestehende Produkte

Modul 17. Kampagnenoptimierung und Anwendung von künstlicher Intelligenz

17.1. Künstliche Intelligenz und personalisierte Werbung mit Emarsys

17.1.1. Präzise Zielgruppenansprache mit Algorithmen
17.1.2. Empfehlung von Produkten und Dienstleistungen
17.1.3. Optimierung des Konversionstrichters

17.2. Fortgeschrittenes Ad Targeting und Segmentierung mit Eloqua

17.2.1. Kundenspezifische Zielgruppensegmentierung
17.2.2. Segmentierung nach Geräten und Plattformen
17.2.3. Segmentierung nach Phasen des Kundenlebenszyklus

17.3. Optimierung von Werbebudgets mit künstlicher Intelligenz

17.3.1. Kontinuierliche datengesteuerte Optimierung
17.3.2. Nutzung von Echtzeit-Anzeigenleistungsdaten
17.3.3. Segmentierung und Targeting

17.4. Automatisierte Erstellung und Verteilung von personalisierter Werbung mit Cortex

17.4.1. Erzeugung dynamischer Kreativität
17.4.2. Personalisierung von Inhalten
17.4.3. Optimierung der kreativen Gestaltung

17.5. Künstliche Intelligenz und Optimierung von Marketing-Kampagnen mit Adobe TArget

17.5.1. Verteilung auf mehreren Plattformen
17.5.2. Optimierung der Frequenz
17.5.3. Automatisierte Überwachung und Analyse

17.6. Prädiktive Analytik zur Optimierung von Kampagnen

17.6.1. Vorhersage von Markttrends
17.6.2. Bewertung der Kampagnenleistung
17.6.3. Optimierung des Budgets

17.7. Automatisiertes und adaptives A/B-Testing

17.7.1. Automatisiertes A/B-Testing
17.7.2. Identifizierung hochwertiger Zielgruppen
17.7.3. Optimierung der kreativen Inhalte

17.8. Datengestützte Optimierung in Echtzeit mit Evergage

17.8.1. Anpassung in Echtzeit
17.8.2. Vorhersage des Kundenlebenszyklus
17.8.3. Erkennung von Verhaltensmustern

17.9. Künstliche Intelligenz in SEO und SEM mit BrightEdge

17.9.1. Schlüsselwortanalyse mit künstlicher Intelligenz
17.9.2. Erweiterte Zielgruppenausrichtung mit Tools der künstlichen Intelligenz
17.9.3. Personalisierung von Werbung mit künstlicher Intelligenz

17.10. Automatisierung von technischen SEO-Aufgaben und Keyword-Analysen mit Spyfu

17.10.1. Multi-Channel-Attributionsanalyse
17.10.2. Kampagnenautomatisierung mit künstlicher Intelligenz
17.10.3. Automatische Optimierung der Website-Struktur dank künstlicher Intelligenz

Modul 18. Künstliche Intelligenz und Benutzererfahrung im digitalen Marketing

18.1. Personalisierung des Nutzererlebnisses auf der Grundlage von Verhalten und Vorlieben

18.1.1. Personalisierung von Inhalten dank künstlicher Intelligenz
18.1.2. Virtuelle Assistenten und Chatbots mit Cognigy
18.1.3. Intelligente Empfehlungen

18.2. Optimierung von Website-Navigation und Usability mit künstlicher Intelligenz

18.2.1. Optimierung der Benutzeroberfläche
18.2.2. Prädiktive Analyse des Nutzerverhaltens
18.2.3. Automatisierung von sich wiederholenden Prozessen

18.3. Virtuelle Assistenz und automatisierte Kundenbetreuung mit Dialogflow

18.3.1. Künstliche Intelligenz, Stimmungs- und Gefühlsanalyse
18.3.2. Problemerkennung und -vermeidung
18.3.3. Automatisierung des Kundendienstes mit künstlicher Intelligenz

18.4. Künstliche Intelligenz und Personalisierung des Kundenerlebnisses mit Zendesk Chat

18.4.1. Personalisierte Produktempfehlung
18.4.2. Personalisierte Inhalte und künstliche Intelligenz
18.4.3. Personalisierte Kommunikation

18.5. Erstellung von Kundenprofilen in Echtzeit

18.5.1. Personalisierte Angebote und Werbeaktionen
18.5.2. Optimierung der Benutzererfahrung
18.5.3. Erweiterte Zielgruppensegmentierung

18.6. Personalisierte Angebote und Produktempfehlungen

18.6.1. Automatisierung von Tracking und Retargeting
18.6.2. Personalisiertes Feedback und Umfragen
18.6.3. Optimierung des Kundendienstes

18.7. Überwachung und Vorhersage der Kundenzufriedenheit

18.7.1. Stimmungsanalyse mit Tools der künstlichen Intelligenz
18.7.2. Überwachung der wichtigsten Kundenzufriedenheitsmetriken
18.7.3. Analyse von Kommentaren mit Werkzeugen der künstlichen Intelligenz

18.8. Künstliche Intelligenz und Chatbots in der Kundenbetreuung mit Ada Support

18.8.1. Erkennung von unzufriedenen Kunden
18.8.2. Vorhersage der Kundenzufriedenheit
18.8.3. Personalisierung des Kundendienstes mit künstlicher Intelligenz

18.9. Entwicklung und Training von Chatbots für den Kundendienst mit Itercom

18.9.1. Automatisierung von Zufriedenheitsumfragen und Fragebögen
18.9.2. Analyse der Kundeninteraktion mit dem Produkt/Dienstleistung
18.9.3. Integration von Echtzeit-Feedback mit künstlicher Intelligenz

18.10. Automatisierung von Antworten auf häufige Anfragen mit Chatfuel

18.10.1. Analyse der Konkurrenz
18.10.2. Feedbacks und Reaktionen
18.10.3. Generierung von Abfragen/Antworten mit Tools der künstlichen Intelligenz

Modul 19. Analyse von digitalen Marketingdaten mit künstlicher Intelligenz

19.1. Künstliche Intelligenz in der Datenanalyse für Marketing mit Google Analytics

19.1.1. Erweiterte Zielgruppenausrichtung
19.1.2. Prädiktive Analyse von Trends mit künstlicher Intelligenz
19.1.3. Preisoptimierung mit Hilfe von Tools der künstlichen Intelligenz

19.2. Automatisierte Verarbeitung und Analyse von großen Datenmengen mit RapidMiner

19.2.1. Stimmungsanalyse der Marke
19.2.2. Optimierung von Werbekampagnen
19.2.3. Personalisierung von Inhalten und Nachrichten mit KI-Tools

19.3. Erkennen von verborgenen Mustern und Trends in Marketingdaten

19.3.1. Erkennung von Verhaltensmustern
19.3.2. Trenderkennung mit künstlicher Intelligenz
19.3.3. Marketing-Attributionsanalyse

19.4. Erstellung von datengesteuerten Insights und Empfehlungen mit Data Robot

19.4.1. Prädiktive Analyse durch künstliche Intelligenz
19.4.2. Erweiterte Zielgruppensegmentierung
19.4.3. Personalisierte Empfehlungen

19.5. Künstliche Intelligenz in der prädiktiven Analytik für das Marketing mit Sisense

19.5.1. Optimierung von Preisen und Angeboten
19.5.2. Stimmungs- und Meinungsanalyse mit künstlicher Intelligenz
19.5.3. Automatisierung von Berichten und Analysen

19.6. Vorhersage von Kampagnenergebnissen und Konversionen

19.6.1. Erkennung von Anomalien
19.6.2. Optimierung des Kundenerlebnisses
19.6.3. Wirkungsanalyse und Zuordnung

19.7. Risiko- und Chancenanalyse in Marketingstrategien

19.7.1. Prädiktive Analytik von Markttrends
19.7.2. Bewertung der Konkurrenz
19.7.3. Analyse des Reputationsrisikos

19.8. Prognose des Absatzes und der Produktnachfrage mit ThoughtSpot

19.8.1. Optimierung der Investitionsrendite (ROI)
19.8.2. Analyse des Einhaltungsrisikos
19.8.3. Innovationsmöglichkeiten

19.9. Künstliche Intelligenz und Social-Media-Analysen mit Brandwatch

19.9.1. Marktnischen und ihre Analyse mit künstlicher Intelligenz
19.9.2. Beobachtung aufkommender Trends

19.10. Stimmungs- und Emotionsanalyse in sozialen Netzwerken mit Clarabridge

19.10.1. Identifizierung von Einflussnehmern (Influencern) und Meinungsführern
19.10.2. Überwachung der Markenreputation und Krisenerkennung

Modul 20. Künstliche Intelligenz zur Automatisierung von E-Commerce-Prozessen

20.1. E-Commerce-Automatisierung mit Algolia

20.1.1. Automatisierung der Kundenbetreuung
20.1.2. Preisoptimierung
20.1.3. Personalisierung von Produktempfehlungen

20.2. Automatisierung der Einkaufs- und Bestandsverwaltungsprozesse mit Shopify flow

20.2.1. Bestandsverwaltung und Logistik
20.2.2. Aufdeckung und Vorbeugung von Betrug
20.2.3. Stimmungsanalyse

20.3. Integration von künstlicher Intelligenz in den Konversionstrichter

20.3.1. Analyse von Umsatz- und Leistungsdaten
20.3.2. Datenanalyse in der Sensibilisierungsphase
20.3.3. Datenanalyse in der Konversionsphase

20.4. Chatbots und virtuelle Assistenten für die Kundenbetreuung

20.4.1. Künstliche Intelligenz und 24/7- Betreuung
20.4.2. Feedbacks und Reaktionen
20.4.3. Generierung von Abfragen/Antworten mit Tools der künstlichen Intelligenz

20.5. Preisoptimierung und Produktempfehlung in Echtzeit durch künstliche Intelligenz mit Google Cloud AI Platform

20.5.1. Analyse und Segmentierung von Wettbewerbspreisen
20.5.2. Dynamische Preisoptimierung
20.5.3. Vorhersage der Preisempfindlichkeit

20.6. Betrugserkennung und -prävention bei E-Commerce-Transaktionen mit Sift

20.6.1. Erkennung von Unregelmäßigkeiten mit Hilfe von künstlicher Intelligenz
20.6.2. Überprüfung der Identität
20.6.3. Echtzeit-Überwachung mit künstlicher Intelligenz
20.6.4. Implementierung von automatisierten Regeln und Richtlinien

20.7. Analyse mit künstlicher Intelligenz zur Erkennung verdächtigen Verhaltens

20.7.1. Analyse verdächtiger Verhaltensmuster
20.7.2. Verhaltensmodellierung mit Werkzeugen der künstlichen Intelligenz
20.7.3. Betrugserkennung in Echtzeit

20.8. Ethik und Verantwortung beim Einsatz von künstlicher Intelligenz im elektronischen Handel

20.8.1. Transparenz bei der Erhebung und Nutzung von Daten unter Verwendung von Werkzeugen der künstlichen Intelligenz mit Watson
20.8.2. Datensicherheit
20.8.3. Verantwortlichkeit bei Design und Entwicklung mit künstlicher Intelligenz

20.9. Automatisierte Entscheidungsfindung mit künstlicher Intelligenz mit Watson Studio

20.9.1. Transparenz im Entscheidungsprozess
20.9.2. Verantwortlichkeit für die Ergebnisse
20.9.3. Soziale Auswirkungen

20.10. Zukunftstrends der künstlichen Intelligenz im Marketing und E-Commerce mit REkko

20.10.1. Marketing-Automatisierung und Werbung
20.10.2. Prädiktive und präskriptive Analytik
20.10.3. Visueller elektronischer Handel und Suchfunktion
20.10.4. Virtuelle Einkaufsassistenten

Die von diesen Fachleuten ausgearbeiteten didaktischen Materialien dieses Studiengangs haben vollständig auf Ihre Berufserfahrung anwendbare Inhalte"