Praktische Einführung ins Machine Learning
Führen Sie Lernende praxisnah in Künstliche Intelligenz ein: Vermitteln Sie den gesamten Workflow – von der Datenerfassung bis zur Echtzeitanwendung.
- Den vollständigen Workflow einer Machine-Learning-Anwendung praktisch umsetzen
- Verschiedene Architekturen neuronaler Netze auswählen, aufbauen und konfigurieren
- Hyperparameter gezielt anpassen und Optimierungstechniken anwenden
- Ein trainiertes KI-Modell zur optischen Qualitätsprüfung entwickeln
- Projektbasierter Lernansatz für maximalen Praxisbezug
- Vollständiger KI-Workflow in einem System
- Leistungsstarkes KI-Steuergerät für Training 'on the Edge'
- Keine Programmierkenntnisse erforderlich
Dieses praxisorientierte Trainingssystem führt in das Funktionsprinzip des Maschinellen Lernens ein, macht komplexe KI-Prozesse greifbar und ermöglicht das Erstellen eigener, einfacher KI-Anwendungen. Es vermittelt den gesamten Workflow zur Erstellung von KI-Modellen – von der Datenerfassung über das Modelltraining bis zur Echtzeitanwendung – anhand praxisnaher Projekte wie Bilderkennung und Qualitätskontrolle.
Der projektbasierte Lernansatz sichert maximalen Praxisbezug. Inhalte werden in drei aufeinander aufbauenden Projekten vermittelt: von „Schere-Stein-Papier“ über „Optische Qualitätsprüfung“ bis zur „Verkehrsschildererkennung“. Das System deckt den vollständigen KI-Workflow ab, indem Lernende die Kamera zur Erstellung eigener Datensätze nutzen, neuronale Netze trainieren, optimieren und Modelle in Echtzeit testen. Dies fördert ein tiefes, ganzheitliches Verständnis des Entwicklungsprozesses von KI-Applikationen.
Ein leistungsstarkes KI-Steuergerät mit NVIDIA Jetson Xavier NX ermöglicht rechenintensive Trainingsprozesse direkt auf dem Gerät („on the Edge“). Gängige Frameworks wie Python, TensorFlow und OpenCV kommen hierbei zum Einsatz.
Für den Einstieg sind keine Programmierkenntnisse erforderlich: Eine dedizierte grafische Benutzeroberfläche (GUI) ermöglicht alle Projektschritte ohne Code – von der Datengenerierung über die Netzwerkkonfiguration bis zum Modelltraining. Dies senkt die Einstiegshürde erheblich und erlaubt es Lernenden, sich auf Kernkonzepte zu konzentrieren.
Das System ist Open Source: Alle Machine-Learning-Skripte sind offen einsehbar. Dies geht über eine Black-Box-Anwendung hinaus und schafft einen nahtlosen didaktischen Übergang: vom GUI-Anwender zum entwickelnden Experten, der den Code versteht und anpasst.
Der Koffer dient als mobiles KI-Labor und ist als vollwertige, mobile Experimentierstation konzipiert. Eine flexible Kamerahalterung ist direkt im Kofferdeckel integriert, was einen separaten Stativaufbau überflüssig macht und das System sofort einsatzbereit macht. Diese Bauweise minimiert Störeinflüsse und verbessert die Qualität der Trainingsdaten.
Download
| Artikel-Nr. | Menge | Bezeichnung |
|---|---|---|
| Basisprodukt | ||
| CO3620-3E | 1 | KI Steuergerät |
KI Steuergerät
Ein vielseitig einsetzbares Steuergerät für KI-Anwendungen, bestehend aus einem Ein-Platinen-Computer mit zahlreichen Schnittstellen zur Kommunikation und Einbindung in andere Systeme. Mit der dazugehörigen Kurssoftware werden KI-Modelle für unterschiedliche Aufgaben lokal im Gerät erstellt und trainiert. Mit dem Trainingssystem zur praktischen Einführung ins Machine Learning wird anhand von praxisnahen Beispielen der komplette Workflow zur Umsetzung einer KI-Applikation durchgeführt, von der Datenbeschaffung bis hin zur Anwendung des fertigen Algorithmus. Es werden die Vorteile und Möglichkeiten des maschinellen Lernens vermittelt und die Kompetenz, es zielführend einzusetzen.
|
||
| PPC011001C | 1 | RXLea Content IAC11PT: Einführung ins Machine Learning |
|
RXLea Content IAC11PT: Einführung ins Machine Learning
|
||
| SW00001 | 3 | Software RX Lea |
|
Software RX Lea
|
||
| SW00019 | 3 | Software LN Installer |
|
Software LN Installer
|
||
| PPC011002C | 1 | RXLea Content IAC11PT: Schere-Stein-Papier gegen KI |
|
RXLea Content IAC11PT: Schere-Stein-Papier gegen KI
|
||
| PPC011003C | 1 | RXLea Content IAC11PT: Optische Qualitätskontrolle mit KI |
|
RXLea Content IAC11PT: Optische Qualitätskontrolle mit KI
|
||
| Zubehör | ||
| CO3620-3C | 1 | Zubehörsatz KI Steuergerät |
Zubehörsatz KI Steuergerät
Zubehörsatz für das Trainingssystem "Praktische Einführung ins Machine Learning".
|
||
Lernziele im Detail
Den vollständigen Workflow einer Machine-Learning-Anwendung praktisch umsetzen
Lernende setzen den gesamten Workflow einer Machine-Learning-Anwendung praktisch um, von der Erzeugung und Aufbereitung der Trainingsdaten bis zur Anwendung des trainierten Modells (Inferenz).
Verschiedene Architekturen neuronaler Netze auswählen, aufbauen und konfigurieren
Lernende wählen verschiedene Architekturen neuronaler Netze (Perzeptron, CNN) für konkrete Klassifizierungs- und Objekterkennungsaufgaben aus, bauen diese auf und konfigurieren sie.
Hyperparameter gezielt anpassen und Optimierungstechniken anwenden
Lernende passen Hyperparameter wie Lernrate, Epochen und Batch-Größe gezielt an und wenden Techniken wie Regularisierung und Augmentation an, um die Genauigkeit von KI-Modellen zu optimieren und Overfitting zu vermeiden.
Ein trainiertes KI-Modell zur optischen Qualitätsprüfung entwickeln
Lernende entwickeln ein trainiertes KI-Modell zur optischen Qualitätsprüfung und integrieren es optional über OPC UA in eine SPS-Steuerung, um industrielle Automatisierungsaufgaben zu lösen.
Grundlegendes Verständnis für die Möglichkeiten und Grenzen von KI entwickeln
Die Lernenden entwickeln ein prinzipielles Verständnis für die Möglichkeiten und Grenzen der Künstlichen-Intelligenz-Technologie.
Eigene, einfache KI-Anwendungen erstellen
Nach Abschluss der Lerninhalte können Lernende eigene, einfache Künstliche Intelligenz-Anwendungen erstellen und implementieren.
Die Rolle der Datenqualität und -vielfalt verstehen
Lernende entwickeln ein grundlegendes Verständnis für die entscheidende Rolle der Datenqualität und -vielfalt für den Erfolg einer Künstlichen Intelligenz.
Features & Anwendung
-
Projektbasierter Lernansatz für maximalen Praxisbezug — Vermitteln Sie Lerninhalte praxisnah in drei aufeinander aufbauenden Projekten: vom spielerischen Einstieg („Schere-Stein-Papier“) über eine industrielle Anwendung („Optische Qualitätsprüfung“) bis zum komplexen System („Verkehrsschildererkennung“). -
Vollständiger KI-Workflow in einem System — Das System deckt alle Phasen eines KI-Projekts ab: Lernende erstellen mit der Kamera eigene Datensätze, trainieren, optimieren und testen damit neuronale Netze in Echtzeit. Dies fördert ein tiefes, ganzheitliches Verständnis des gesamten Entwicklungsprozesses von KI-Applikationen. -
Leistungsstarkes KI-Steuergerät für Training 'on the Edge' — Das NVIDIA-Jetson-Xavier-NX-Steuergerät ermöglicht dank seiner Volta-GPU-Architektur mit CUDA- und Tensor-Kernen rechenintensive Trainingsprozesse direkt auf dem Gerät. Es unterstützt gängige Machine-Learning-Frameworks wie Python, TensorFlow und OpenCV. -
Keine Programmierkenntnisse erforderlich — Die dedizierte grafische Benutzeroberfläche ermöglicht alle Projektschritte (Datengenerierung bis Modelltraining) codefrei. Das senkt die Einstiegshürde erheblich. Lernende fokussieren sich so auf Kernkonzepte und die ML-Wirkungsweise statt die Programmiersyntax. -
Open Source — Die grafische Oberfläche ermöglicht einen einfachen, codefreien Einstieg, indem sie alle Machine-Learning-Skripte offen für Lernende zugänglich macht. Dies überwindet die Black-Box-Natur und ermöglicht den nahtlosen didaktischen Übergang vom GUI-Anwender zum Code-versierten Entwickler. -
Der Koffer als mobiles KI-Labor — Die mobile Experimentierstation ist dank integrierter, flexibler Kamerahalterung sofort ohne Stativ einsatzbereit. Ihre Bauweise sichert eine reproduzierbare Experimentierumgebung, minimiert Hintergrundeinflüsse und optimiert die Trainingsdatenqualität für volle Konzentration der Lernenden. -
Trainingsdaten erzeugen — Lernende erstellen mit der Kamera eigene Datensätze von realen Objekten. Die Software organisiert die Daten automatisch und vermittelt die Bedeutung von Datenqualität und -vielfalt für KI-Modelle. -
Struktur des neuronalen Netzes erstellen — Lernende fügen neuronale Netze Schicht für Schicht per Mausklick zusammen. Die Architektur des KI-Modells wird ohne Programmierkenntnisse anschaulich und verständlich. -
Modell trainieren — Die Lernenden steuern über eine einfache Maske die Hyperparameter des Trainings. Sie beobachten direkt den Einfluss der Einstellungen auf Lerngeschwindigkeit und Modellgenauigkeit. -
Modell anwenden — Das trainierte Modell wird per Klick in Echtzeit auf den Live-Kamerastream angewendet. Lernende erhalten sofortiges visuelles Feedback und testen die Robustheit des Modells.

Aus Wissen wird Können.
You guide the learning
Wenn Theorie und Praxis Hand in Hand gehen.
RXLea bringt eine neue Art des Lernens: projektorientiert, praxisnah und klar strukturiert. Lernende lösen reale Aufgaben, Lehrkräfte sparen Zeit bei der Vorbereitung. Interaktive Module, smarte Analysen und echte Hardware schaffen eine moderne, effiziente Lernwelt.
Praxisnah und interaktiv
Animationen, interaktive Aufgaben und realitätsnahe Szenarien fördern ein tiefes Verständnis. Alle Inhalte sind als klare Lernpfade strukturiert – für fokussiertes, praxisnahes Lernen.
Digitale Unterstützung
3D-Aufbauanimationen und digitale Anleitungen erleichtern komplexe Abläufe, reduzieren Fehler und stärken die Selbstständigkeit der Lernenden.
Visuelle Unterstützung
Übersichtsbilder, Screenshots und Animationsbeispiele machen die Lernwelt transparent. Ergänzend stehen Fotos aus den Lernpaketen zur Verfügung, bei Bedarf auch länderspezifisch.




