KI-Literacy · Vorlesungen, Praxis und Orientierung

Willkommen im Lehr- und Lernrepository von Prof. Dr. Mathias Engel. Hier findest du News-Briefings und Linklisten, HTML-Vorlesungspräsentationen, Begleitmaterial, Projektideen, Übungen, Daten und weiterführende Module rund um KI, Data Science und digitale Inhalte.

Zur Kurs-Website auf GitHub Pages · News & Linkliste · Projektideen

Die Website zeigt die Präsentationen direkt im Browser. Auf GitHub findest du die Dateien zum Lesen, Herunterladen und Weiterarbeiten. Über Code → Download ZIP kannst du das Repository herunterladen; für die HTML-Folien benötigst du keinen Build-Schritt.

Die Vorlesungen

Data Science und KI · 4 SWS

KI verstehen, mit Modellen und Werkzeugen arbeiten, eine KI-Anwendung entwickeln und Daten in einem Dashboard erklären.

HTML-Präsentationen direkt auf GitHub Pages:

• Woche 1 · Einstieg
• Woche 2 · Fundamente: Build & Check – fünf praktische Stationen mit Prompts, Schaubildern und Übungen.

HR/WF Analytics · 4 SWS

Personal- und Workforce-Fragen mit Daten untersuchen, Kennzahlen interpretieren und Ergebnisse verantwortungsvoll verwenden.

• HR/WF Analytics · Leitfaden und 15-Wochen-Fahrplan – HTML-Präsentation mit Materialien, Links und QR-Codes auf Folie 2.

Der Leitfaden gibt den Veranstaltungsüberblick; separate Wochenpräsentationen folgen. Die ursprünglichen Semesterangaben sind unverändert übernommen, siehe Prüfvermerk bei der Präsentation.

Digital Content Management · 4 SWS

Digitale Inhalte planen, erstellen, prüfen und veröffentlichen; Text, Bild, Audio und Video verbinden.

Noch keine eigenen Wochenpräsentationen veröffentlicht. Bereits verfügbar: Bilderzeugung, Videoerzeugung, Songerzeugung und Design.

Data Science · externer Bachelor

Daten aufbereiten, explorieren und modellieren sowie Analyseergebnisse verständlich kommunizieren.

Noch keine eigenen Wochenpräsentationen veröffentlicht. Bereits verfügbar: Data-Science-Materialien.

Weitere Wochenlinks werden unter der jeweiligen Veranstaltung ergänzt. Die älteren Bezeichnungen „Tag 01“ bis „Tag 11“ sind Ordnernamen der Vertiefungsmaterialien und entsprechen nicht automatisch der neuen Wochenreihenfolge.

Dein Einstieg

1. Orientieren: Öffne die Kurs-Website und die Präsentation deiner Veranstaltung.
2. Aktuell bleiben: Nutze die Linkliste mit News-Briefings, Fundstücken und Werkzeugen.
3. Mitmachen: Für Data Science und KI findest du Vorschläge im Projektkatalog. Eigene Ideen sind nach Rücksprache willkommen.
4. Vertiefen: Wähle die passenden Module und Laborbeispiele aus der Übersicht.
5. Optional lokal arbeiten: Nutze die Anleitungen weiter unten. Im Woche-1-Kurseinstieg richten wir gemeinsam ChatGPT Desktop ein.

Weiterführende Module

Die Sammlung enthält Erklärtexte, Vorlesungsbegleiter, Cheat-Sheets, Bilder und – je nach Modul – Laboraufgaben oder technische Anleitungen.

Modul	Inhalte
KI Basics	Entwicklung der KI, Grundbegriffe, Tokenisierung und Einstieg.
Advanced Prompt Engineering	Präzise Aufgaben, Beispiele, Kontext und Ergebnisprüfung.
Agents Desktop	Agentenarbeit am Computer, Arbeitsumgebungen und wiederkehrende Abläufe.
Agents To-Go und n8n	Mobile Agenten und Low-Code-Automatisierung.
Data Science	Datenhygiene, explorative Analyse, Python, Orange3 und Statistik.
Lokales Deployment	Lokale Inferenz, Docker, OpenWebUI und Suche.
Finetuning	RAG, Modellanpassung, LoRA und Spezialisierung.
Ethik und Governance	Verantwortlicher Einsatz, EU AI Act und organisatorische Regeln.
Grenzen und Risiken	Halluzinationen, Model Collapse und Red Teaming.
KI-Hackathon	Wissen und Werkzeuge in einer eigenen Anwendung zusammenführen.

Medien und Gestaltung: Bilderzeugung · Videoerzeugung · Songerzeugung · Design und Branding · Deployment und Consulting.

Einzelne Materialien dokumentieren frühere Werkzeugstände. Prüfe für Installation und Produktfunktionen zusätzlich die aktuelle Anbieterdokumentation. Modellgewichte, Softwarelizenz, Hardwarebedarf und Cloud-Zugriff sind jeweils getrennte Fragen.

Ressourcen-Übersicht

• HTML-Präsentationen: portable Foliensätze mit Bildern, Übungen, Quellen und Dozentenleitfaden. Live-Webseiten und Online-Videos benötigen Internet.
• News-Briefings und Linkliste: Entwicklungen, Benchmarks und praktische Werkzeuge.
• Projektkatalog: KI-WebUI-Anwendungen und Data-Science-Dashboards.
• Bisheriges Vorlesungsskript: ergänzende Materialbasis.
• Nova-Systemprompt: dokumentierter Arbeitsauftrag als Beispiel.
• Labor-Daten: Dokumentanalyse, Bilderkennung und Datenanalyse; darunter die Agents-Demo.
• Deployment-Dateien: Docker-Compose-Labor mit OpenWebUI, Jupyter und SearXNG.
• Modulsammlung: vertiefende Erklärungen, Anleitungen und Übungen.

Schritt für Schritt: lokale KI selbst einrichten

Wähle zunächst einen Weg. Der Hardwarebedarf hängt von Modell, Quantisierung, Kontext und parallelen Anfragen ab. Eine bestimmte RAM- oder GPU-Zahl garantiert keine ausreichende Geschwindigkeit. Beginne mit einem zu deinem Gerät passenden Modell und einem kleinen Testauftrag.

A · Ollama

1. Installiere Ollama für dein Betriebssystem.
2. Wähle ein Modell aus der Modellbibliothek. Prüfe Größe, Lizenz und Anforderungen.
3. Für den Terminalweg: ollama run <modellname>; ersetze den Platzhalter durch den tatsächlichen Namen.
4. Stelle eine kurze Testfrage und prüfe Antwort, Geschwindigkeit und Ressourcenverbrauch.
5. Für weitere Oberflächen und Schnittstellen nutze die offizielle Dokumentation.

B · LM Studio

1. Installiere LM Studio.
2. Suche in der App ein kompatibles Modell und lade es herunter. Beachte Lizenz und Arbeitsspeicher.
3. Lade das Modell in den Chat und bearbeite denselben Testauftrag wie bei Ollama.
4. Für andere Programme: aktiviere bei Bedarf den lokalen Server und notiere die angezeigte Adresse.
5. Nutze die LM-Studio-Dokumentation für Einrichtung und Schnittstellen.

C · vLLM

Dieser Weg richtet sich an technisch erfahrene Lernende und Serverbetreiber.

1. Prüfe Plattform, Beschleuniger und Installationsweg im offiziellen Quickstart.
2. Lege eine getrennte Python-Umgebung an und installiere die dafür vorgesehene vLLM-Version.
3. Starte einen Testdienst mit vllm serve <modell-id>; verwende eine tatsächlich unterstützte Modell-ID.
4. Prüfe lokal mit einem einfachen Auftrag, bevor du Parallelität und Kontext erhöhst.
5. Dokumentiere für einen Teamdienst Zugänge, Modellversion, Limits und Messwerte.

D · Vorhandenes Docker-Labor

1. Installiere und starte Docker Desktop.
2. Lade dieses Repository herunter und öffne ein Terminal im Ordner deployment.
3. Prüfe die Konfiguration und starte sie mit docker compose up -d.
4. Öffne OpenWebUI unter http://localhost:3000, Jupyter unter http://localhost:3005 und SearXNG unter http://localhost:3010.
5. Die Anmeldung für Jupyter und die Anbindung eines Modellservers entnimmst du der Konfiguration und dem Deployment-Guide. Ein gestartetes OpenWebUI enthält noch nicht automatisch ein Sprachmodell.

Begleitbücher und bisherige Materialien

Das Repository ergänzt die Bucharbeit „KI & Data Science – AI in a Brainshell“ mit Beispielen, Daten, Modulen und Werkzeughinweisen. Geplant sind ein KI-&-Data-Science-Vorlesungsbegleiter, ein eigener Begleiter für Digital Content Management und später ein umfassenderes KI-Fachbuch. Die Manuskripte befinden sich in Arbeit; dieses Repository enthält derzeit Begleitmaterial und das bisherige Skript, keine zugesicherte vollständige Buchausgabe.

Die bestehenden Daten, Module und Installationsanleitungen bleiben als Vertiefungsbestand erhalten. Der Einstieg erfolgt über die Veranstaltungen, die Kurs-Website und die Präsentationen.

Prof. Dr. Mathias Engel · Stand: 8. Oktober 2026