ChatGPT, Claude und andere Anwendungen generativer KI sind schnell geöffnet, richtig gute Ergebnisse liefern sie aber erst, wenn man versteht, wie sie funktionieren. Zum Einstieg erklären wir, was hinter Sprachmodellen steckt und warum sie manchmal überzeugend klingende, aber falsche Antworten geben. Danach geht es um gutes Prompting: Aufgaben klar beschreiben, Beispiele mitgeben und Ergebnisse Schritt für Schritt verbessern. In den Übungen entwerfen die Teilnehmenden E-Mails, fassen lange Dokumente zusammen, ziehen Informationen aus PDFs heraus und lassen Tabellen auswerten. Dabei lernen sie auch, Ergebnisse kritisch zu prüfen und zu erkennen, wo die KI an ihre Grenzen stößt. Am Ende des Tages haben alle eine Sammlung bewährter Vorgehensweisen, die sie direkt im Alltag einsetzen können.

Machine Learning steckt hinter vielen KI-Anwendungen, aber wie lernt ein Modell eigentlich aus Daten? Der Workshop vermittelt die zentralen Konzepte verständlich und ohne unnötigen Formelballast: Regression und Klassifikation, Entscheidungsbäume und Random Forests. Ein Schwerpunkt liegt darauf, Modelle richtig zu bewerten. Dazu gehören die Fragen, wie man Vorhersagegüte misst, was Overfitting ist und wie Resampling-Verfahren wie Kreuzvalidierung davor schützen. Außerdem geht es um typische Stolperfallen, an denen ML-Projekte in der Praxis scheitern. Alle Methoden werden direkt in R oder Python an realistischen Datensätzen ausprobiert, sodass die Teilnehmenden danach einfache Modelle selbst trainieren, vergleichen und einschätzen können.

Leistungsstarke ML-Modelle sind oft eine Black Box: Sie liefern gute Vorhersagen, aber keine Begründung. In diesem Workshop lernen die Teilnehmenden Methoden kennen, mit denen sich das Verhalten solcher Modelle nachvollziehen lässt. Globale Verfahren wie Feature Importance und Partial Dependence Plots zeigen, welche Einflussgrößen ein Modell insgesamt nutzt. Lokale Methoden wie Shapley Values oder Counterfactual Explanations begründen dagegen einzelne Vorhersagen. Wir zeigen auch, wo diese Methoden an ihre Grenzen stoßen und wie man Fehlinterpretationen vermeidet. Alle Verfahren werden in R oder Python praktisch angewendet, und zum Abschluss geht es darum, die Ergebnisse verständlich an Fachabteilung, Management oder Kunden zu vermitteln.

Die Intensivwoche richtet sich an alle, die über die Grundlagen hinaus ML-Projekte sicher umsetzen wollen. Sie behandelt den kompletten Ablauf eines Projekts, von der Datenexploration und -aufbereitung über Feature Engineering bis zu Modellwahl und Hyperparameter-Tuning. Ein Schwerpunkt liegt auf den Fehlern, die in der Praxis am häufigsten passieren: Data Leakage, unausgewogene Klassen, fehlende Werte oder eine Evaluation, die zu optimistische Ergebnisse liefert. Wir zeigen, wie man solche Probleme erkennt und mit sauberen Pipelines vermeidet. Gearbeitet wird an verschiedenen Datensätzen, damit jedes Thema an einem passenden Beispiel sichtbar wird. Danach können die Teilnehmenden eigene ML-Projekte strukturiert angehen und typische Fallstricke vermeiden.

Alle unsere Formate gibt es auch zugeschnitten auf Ihr Unternehmen. Statt allgemeiner Fallbeispiele arbeiten wir dann mit Beispielen aus Ihrer Branche, auf Wunsch auch mit Ihren eigenen Daten. Inhalte lassen sich kombinieren, vertiefen oder um Themen ergänzen, die in unseren Standardformaten nicht vorkommen. Auch ein konkreter Use Case aus Ihrem Unternehmen kann im Mittelpunkt stehen, mit einem ersten Prototyp als Ergebnis. In einem Vorgespräch klären wir Ziele, Vorkenntnisse und den passenden Umfang. Daraus entsteht ein Programm, das genau zu Ihrem Team passt.