# Experten

> Ankündigung: Mathematik, Physik und Informatik für Menschen, die KI von Grund auf verstehen und entwickeln wollen. Drei eigenständige Kurse für jeweils 5.987 €. Geplante Inhalte, Praxisprojekte und Interessenmeldung.

Quelle: https://granaria.ac/akademie/experten.php
Datensatz: https://granaria.ac/akademie/experten.php

Sprache: de
Zuletzt geändert: 2026-11-16T18:51:07+00:00

Ankündigung · Mathematik · Physik · Informatik

## Experten

KI von Grund auf verstehen und selbst entwickeln.

Für Menschen, die hinter die Anwendung gehen wollen: mathematische Zusammenhänge herleiten, physikalische Modelle mit Daten verbinden und KI-Verfahren selbst implementieren. Sie arbeiten an den Grundlagen, aus denen lernende Modelle und belastbare Systeme entstehen.

Jeder Kurs: 5.987 €. Mathematik, Physik und Informatik sind drei eigenständige Angebote. Sie wählen den fachlichen Schwerpunkt, den Sie vertiefen möchten.

Die Kurse sind angekündigt. Inhalte und Praxisprojekte bilden die geplante Ausrichtung ab. Starttermine, Umfang und genauer Ablauf werden zum jeweiligen Kursstart veröffentlicht. Über die Interessenmeldung können Sie weitere Informationen anfordern.

Angekündigt · FRG:AI-E-MATH

### Mathematik

Die mathematischen Grundlagen von KI herleiten, berechnen und prüfen.

Sie verstehen, wie aus Daten, Modellannahmen und einer Zielfunktion ein lernendes Verfahren entsteht. Sie leiten zentrale Rechenschritte her, implementieren sie und beurteilen Fehler, Unsicherheit und Grenzen eines Modells.

#### Analysis im Expertenmodus

Die beiden Mathematik-Module bauen aufeinander auf: Analysis 1 entwickelt die Grundlagen einer Veränderlichen, Analysis 2 führt zu Räumen und zur Analysis mehrerer Veränderlicher. Beide Module werden hier als in Vorbereitung angekündigt.

##### Modul 1 · Analysis 1

In Vorbereitung · 14 Lerneinheiten · Autor: Dr.Jo

Vom Aufbau der reellen Zahlen bis zur Differential- und Integralrechnung einer Veränderlichen. 14 Lerneinheiten führen von präzisen Begriffen über Beweise und Gegenbeispiele zu eigenen Aufgaben.

Vorbereitungsstand: Die 14 Einheiten liegen als Kapitelentwürfe mit Aufgaben vor. Überarbeitung und fachliche Prüfung sind noch nicht abgeschlossen.

Lerneinheiten, Voraussetzungen und Lernziel

###### Lernziel

Sie entwickeln die Grundbegriffe der Analysis schrittweise, prüfen Satzvoraussetzungen und führen Beweise. Grenzwerte, Ableitungen, Integrale und Funktionenfolgen werden aus ihren Voraussetzungen begründet.

###### Die 14 Lerneinheiten

- Sprache und Beweise: Aussagen, Quantoren, Mengen, Abbildungen, Relationen und vollständige Induktion.
- Die reellen Zahlen: Konstruktion aus rationalen Cauchy-Folgen, Körper und Anordnung, Vollständigkeit, Supremum, Dichtheit und Abzählbarkeit.
- Komplexe Zahlen: Körperstruktur, Betrag, Konjugation und geometrische Darstellung.
- Folgen: Konvergenz, Rechenregeln, monotone Folgen, die Zahl e sowie Limes superior und inferior.
- Vollständigkeit in vier Gestalten: Intervallschachtelung, Bolzano-Weierstraß, Cauchy-Kriterium und Supremumseigenschaft im Zusammenhang.
- Reihen: Konvergenzkriterien, absolute und bedingte Konvergenz, Umordnungen und Cauchy-Produkt.
- Stetige Funktionen: Funktionsgrenzwerte, Stetigkeitskriterien, Zwischenwertsatz und Umkehrfunktionen.
- Kompaktheit auf der Zahlengeraden: Offene und abgeschlossene Mengen, Heine-Borel, Maximumsatz und gleichmäßige Stetigkeit.
- Die elementaren Funktionen: Exponentialfunktion, Logarithmus, Potenzen sowie Sinus und Kosinus.
- Ableitung: Lineare Näherung, Ableitungsregeln, Extrema, Mittelwertsätze und Regeln von de l’Hospital.
- Taylor und Konvexität: Taylorpolynome, Restglieder, Konvexität, grundlegende Ungleichungen und Newton-Verfahren.
- Das Riemann-Integral: Ober- und Untersummen, Integrierbarkeitskriterien und Eigenschaften des Integrals.
- Hauptsatz und Integrationstechnik: Hauptsatz, partielle Integration, Substitution und uneigentliche Integrale mit Anwendungen.
- Gleichmäßige Konvergenz und Potenzreihen: Funktionenfolgen, Vertauschung von Grenzwerten, Ableitungen und Integralen sowie Potenzreihen und Approximation.

###### Voraussetzungen

Sicherer Umgang mit Schulalgebra und Funktionen sowie die Bereitschaft, Definitionen und Beweise sorgfältig durchzuarbeiten. Der Einstieg in mathematische Sprache und Beweisverfahren gehört zum Modul.

###### Arbeitsweise

Geplant sind Leitfragen, Definitionen mit Beispielen und Nichtbeispielen, Beweisideen, ausgeführte Beweise, Gegenbeispiele und durchgerechnete Anwendungen. Aufgaben in den Stufen Rechnen, Beweisen und Vertiefen begleiten die Einheiten.

###### Bezug zur KI-Entwicklung

Grenzwerte und Konvergenz, Ableitungen, Taylor-Approximation und konvexe Funktionen schaffen Grundlagen für das Verständnis lernender und numerischer Verfahren.

##### Modul 2 · Analysis 2

In Vorbereitung · 18 Lerneinheiten · Autor: Dr.Jo

Der Anschluss an Analysis 1: Räume, mehrdimensionale Differentialrechnung, Geometrie, Optimierung und Riemann-Integration in mehreren Dimensionen. Geplant sind 18 aufeinander aufbauende Lerneinheiten.

Vorbereitungsstand: Der Aufbau mit 18 Lerneinheiten und die Kapitelgerüste sind angelegt. Fachtexte, vollständige Beweise, Beispiele und Aufgaben werden darauf aufbauend ausgearbeitet.

Lerneinheiten, Voraussetzungen und Lernziel

###### Lernziel

Sie übertragen Vollständigkeit, lokale lineare Näherung und kontrollierte Grenzübergänge auf mehrdimensionale Probleme. Sie untersuchen Existenz, Eindeutigkeit, Stabilität und die Voraussetzungen von Rechenverfahren.

###### Die 18 Lerneinheiten

- Vom Zahlenstrahl zum Vektorraum: Vektoren, lineare Abbildungen, Normen, Matrizen, Rang, Kern und Determinante.
- Metrische Räume und Stetigkeit: Abstände, offene und abgeschlossene Mengen, Folgen, Stetigkeit und Lipschitz-Eigenschaften.
- Kompaktheit und Zusammenhang: Kompaktheit, stetige Bilder, Normäquivalenz, Zusammenhang und konvexe Mengen.
- Vollständigkeit und Funktionenräume: Cauchy-Folgen, vollständige Räume, Banachräume und stetige Funktionen mit Supremumsnorm.
- Kontraktionen und der Banachsche Fixpunktsatz: Existenz und Eindeutigkeit von Fixpunkten, Iteration und quantitative Fehlerabschätzungen.
- Das Differential: Differenzierbarkeit als lineare Abbildung, partielle Ableitungen, Jacobimatrix und Gradient.
- Rechenregeln und quantitative Abschätzungen: Kettenregel, multilineare Abbildungen, Mittelwertungleichungen, Kondition und Stabilität.
- Höhere Ableitungen und Taylorentwicklung: Höhere Differentiale, Satz von Schwarz, Hesse-Matrix und mehrdimensionale Taylorformeln.
- Lokale Umkehrbarkeit: Umkehrsatz, lokale Invertierbarkeit, Ableitung der Umkehrung und quantitative Schranken.
- Implizite Funktionen: Gleichungssysteme, lokale Lösungen, Ableitungsformeln und Parameterabhängigkeit.
- Reguläre Niveauflächen und Tangentialräume: Rangbedingungen, lokale Graphen, Untermannigfaltigkeiten sowie Tangential- und Normalräume.
- Freie Extrema und Konvexität: Existenz und Klassifikation von Extrema, Hesse-Kriterien, konvexe Funktionen und quadratische Ausgleichsprobleme.
- Extrema unter Nebenbedingungen: Gleichungsnebenbedingungen, Lagrange-Multiplikatoren und eingeschränkte Hesse-Formen.
- Integrale mit Parametern: Stetigkeit und Differenzierbarkeit unter dem Integralzeichen mit nachgewiesenen Voraussetzungen.
- Kurven, Länge und Wegintegrale: Parametrisierungen, Orientierung, Bogenlänge, Wegintegrale und Gradientenfelder.
- Potentiale und die Geometrie des Gebiets: Wegunabhängigkeit, geschlossene und exakte Formen sowie das Poincaré-Lemma auf sternförmigen Gebieten.
- Quader, Jordan-Gebiete und iterierte Integration: Mehrdimensionale Riemann-Integration, Jordan-Inhalt, Fubini unter geeigneten Voraussetzungen und Anwendungen.
- Transformation und Jacobi-Determinante: Koordinatenwechsel, Transformationssatz, Volumenfaktoren sowie Polar-, Zylinder- und Kugelkoordinaten.

###### Voraussetzungen

Die Inhalte von Analysis 1, insbesondere Konvergenz, Stetigkeit, Differential- und Riemann-Integralrechnung sowie gleichmäßige Konvergenz. Zusätzlich werden Grundbegriffe der linearen Algebra benötigt; ein ergänzender Brückenteil ist geplant.

###### Arbeitsweise

Geplant sind Leitprobleme, geometrische Anschauung, präzise Definitionen, Beweisideen und vollständige Beweise. Eigene Aufgaben, Gegenbeispiele und von Hand bearbeitbare Grundfassungen numerischer Projekte unterstützen die Selbstkontrolle.

###### Bezug zur KI-Entwicklung

Differential, Gradient und Hesse-Matrix, Kettenregel, Konvexität und Optimierung vertiefen die mathematischen Grundlagen von Training und Modellanalyse. Funktionenräume und Transformationen erweitern den Blick auf Modellklassen und Datenräume.

#### Geplante Inhalte

##### 1 · Der Kern: vier Gebiete

- Lineare Algebra: Vektorräume, Matrixrechnung, Eigenwerte, Singulärwertzerlegung, Normen, Projektionen und Tensorformen. Anwendungen: neuronale Schichten, Attention und Hauptkomponentenanalyse.
- Mehrdimensionale Analysis: Gradienten, Jacobi- und Hesse-Matrizen, Taylor-Entwicklung und Kettenregel. Rückwärtsrechnung im Rechengraphen herleiten und im Training anwenden.
- Wahrscheinlichkeitstheorie und Statistik: Verteilungen, bedingte Wahrscheinlichkeit, Bayes, Erwartungswert, Varianz und Maximum-Likelihood-Schätzung. Modellannahmen und statistische Verallgemeinerung untersuchen.
- Optimierung: Gradientenabstieg und stochastische Verfahren, Konvexität, Nebenbedingungen, Lagrange-Multiplikatoren, KKT-Bedingungen und Konvergenzverhalten.

##### 2 · Wichtige Ergänzungen

- Informationstheorie: Entropie, Kullback-Leibler-Divergenz, Kreuzentropie, Perplexität und gegenseitige Information mit Verlustfunktionen und gelernten Repräsentationen verbinden.
- Numerik: Kondition, Stabilität, Gleitkommazahlen und reduzierte Präzision. Fehler im Trainingsverlauf erkennen und Implementierungen numerisch gegenprüfen.
- Diskrete Mathematik und Graphentheorie: Graphen, kombinatorische Suche, Rekursion, Zählprinzipien und Komplexität. Bezüge zu Graph Neural Networks, Wissensgraphen und Constraint-Verfahren.

##### 3 · Spezialisierung nach Entwicklungsrichtung

Die Vertiefung wird nach dem eigenen Modell- oder Forschungsprojekt gewählt.

- Theorie des Deep Learning: Maßtheorie, Funktionalanalysis und statistische Lerntheorie mit VC-Dimension, PAC und Rademacher-Komplexität.
- Generative Modelle: Stochastische Differentialgleichungen, Markov-Ketten, Variationsrechnung und Optimal Transport.
- Reinforcement Learning: Markov-Entscheidungsprozesse, dynamische Programmierung und Kontrolltheorie.
- Geometric Deep Learning: Gruppen- und Darstellungstheorie, Differentialgeometrie und Riemannsche Mannigfaltigkeiten.
- Effizienz und Kompression: Tensorzerlegungen, Approximationstheorie und Quantisierungstheorie.
- Kausale Inferenz: Kausale Graphen, Do-Kalkül und Identifizierbarkeit.
- Interpretierbarkeit: Vertiefte lineare Algebra, Superposition, Sparse Coding und Spieltheorie mit Shapley-Werten.

#### Der Lernpfad

Lineare Algebra → Mehrdimensionale Analysis → Stochastik → Optimierung → Informationstheorie

Zuerst den Kern gründlich bearbeiten, dann durch eigene Implementierungen prüfen. Spezialisierungen werden passend zum Entwicklungsziel gewählt und auf den gemeinsamen Grundlagen aufgebaut.

Grundlage der Gliederung: [Mathematik für Künstliche Intelligenz – Eine Landkarte der relevanten Gebiete](https://granaria.ac/pdfs/100826_mathe_fuer_ki.pdf) · Dr.Jo · August 2026.

#### Geplantes Praxisprojekt

Ein kleines neuronales Modell aus den mathematischen Bausteinen entwickeln: Ableitungen herleiten, einen Trainingsschritt selbst implementieren und Gradienten sowie Vorhersagefehler unabhängig prüfen.

#### Empfohlene Vorkenntnisse

Sicherer Umgang mit Funktionen, Gleichungen und grundlegender Vektorrechnung; Bereitschaft zu Herleitungen und numerischen Übungen. Der genaue Einstieg wird vor Kursbeginn abgestimmt.

Kurspreis: 5.987 € · Angekündigt · Termin folgt.

[Interesse an Mathematik melden →](mailto:redaktion@granaria.ac?subject=Interesse%3A%20Experten%20%C2%B7%20Mathematik%20%28FRG%3AAI-E-MATH%29&body=Guten%20Tag%2C%0A%0Aich%20interessiere%20mich%20f%C3%BCr%20den%20angek%C3%BCndigten%20Kurs%3A%0AKurs%3A%20Experten%20%C2%B7%20Mathematik%0AKurs-ID%3A%20FRG%3AAI-E-MATH%0AKurspreis%3A%205.987%20%E2%82%AC%0A%0ABitte%20informieren%20Sie%20mich%20%C3%BCber%20Starttermin%2C%20Umfang%20und%20Ablauf.%0A%0AName%3A%0AFachlicher%20Hintergrund%3A%0AMein%20Entwicklungsziel%3A%0A)

Angekündigt · FRG:AI-E-PHYS

### Physik

Physikalische Systeme modellieren und KI an messbaren Zusammenhängen prüfen.

Sie verbinden physikalische Modelle, Messdaten und lernende Verfahren. Sie entwickeln Modelle für dynamische Systeme und untersuchen, ob ihre Ergebnisse mit Einheiten, Randbedingungen, Erhaltungssätzen und unabhängigen Messungen vereinbar sind.

#### Geplante Inhalte

- Dynamik und Differentialgleichungen: Zustände, Bewegungsgleichungen, gewöhnliche und partielle Differentialgleichungen sowie Anfangs- und Randbedingungen.
- Messung, Signale und Unsicherheit: Messfehler, Rauschen, Zeitreihen, Filter und Zustandsschätzung; Modellvorhersage und Beobachtung systematisch vergleichen.
- Stochastische Prozesse und Diffusion: Zufällige Dynamik und Diffusionsmodelle mathematisch untersuchen; physikalischen Prozess und generatives Modell begrifflich auseinanderhalten.
- Inverse Probleme und Parameterbestimmung: Aus Beobachtungen auf Modellparameter schließen; Identifizierbarkeit, Regularisierung und die Grenzen der Rekonstruktion prüfen.
- Simulation und lernende Modelle: Physikalisch begründete Trainingsdaten erzeugen, Simulationen validieren und ein lernendes Ersatzmodell gegen die Referenz vergleichen.
- Physikalisches Wissen im Lernverfahren: Gleichungen, Erhaltungssätze und Randbedingungen im Training berücksichtigen; Residuen, Einheiten und Fehler außerhalb der Trainingsdaten prüfen.

#### Geplantes Praxisprojekt

Ein dynamisches System simulieren, Beobachtungen mit kontrolliertem Rauschen erzeugen und ein lernendes Modell beziehungsweise eine Parameterschätzung daran entwickeln. Physikalische Konsistenz und Vorhersagefehler werden getrennt bewertet.

#### Empfohlene Vorkenntnisse

Grundkenntnisse in Analysis, Vektorrechnung und Physik sowie die Bereitschaft zu Simulation und Programmierung. Mathematische Vorbereitung und Projektwahl werden vor Kursbeginn abgestimmt.

Kurspreis: 5.987 € · Angekündigt · Termin folgt.

[Interesse an Physik melden →](mailto:redaktion@granaria.ac?subject=Interesse%3A%20Experten%20%C2%B7%20Physik%20%28FRG%3AAI-E-PHYS%29&body=Guten%20Tag%2C%0A%0Aich%20interessiere%20mich%20f%C3%BCr%20den%20angek%C3%BCndigten%20Kurs%3A%0AKurs%3A%20Experten%20%C2%B7%20Physik%0AKurs-ID%3A%20FRG%3AAI-E-PHYS%0AKurspreis%3A%205.987%20%E2%82%AC%0A%0ABitte%20informieren%20Sie%20mich%20%C3%BCber%20Starttermin%2C%20Umfang%20und%20Ablauf.%0A%0AName%3A%0AFachlicher%20Hintergrund%3A%0AMein%20Entwicklungsziel%3A%0A)

Angekündigt · FRG:AI-E-INF

### Informatik

KI-Modelle und Systeme selbst implementieren, trainieren und betreiben.

Sie entwickeln KI vom Datenmodell bis zur ausführbaren Anwendung. Sie verstehen die Architektur neuronaler Netze, bauen Trainings- und Inferenzabläufe und prüfen Qualität, Reproduzierbarkeit und den Einsatz von Rechenressourcen.

#### Geplante Inhalte

- Algorithmen, Datenstrukturen und Komplexität: Effiziente Verfahren, Speicherbedarf, Laufzeit und die Wahl geeigneter Datenstrukturen für KI-Aufgaben.
- Daten und reproduzierbare Experimente: Datenaufbereitung, Trainings-, Validierungs- und Testmengen, Datenlecks, Versionsstände und nachvollziehbare Vergleichsläufe.
- Neuronale Netze selbst implementieren: Schichten, Aktivierungen, Rückwärtsrechnung und Trainingsschleifen entwickeln; eigene Rechenschritte gegen Referenzen prüfen.
- Sprachmodelle und Transformer: Tokenisierung, Einbettungen, Attention, Maskierung und Transformer-Bausteine im Zusammenhang von Training und Inferenz untersuchen.
- Training, Hardware und Inferenz: Speicher, Stapelverarbeitung, Parallelisierung und numerische Präzision messen; Modelle effizient ausführen und Engpässe erkennen.
- Systementwicklung und Evaluation: Modellschnittstellen, Werkzeuge und Agenten verbinden; Ausfälle, fehlerhafte Eingaben, Qualitätsänderungen und den laufenden Betrieb prüfen.

#### Geplantes Praxisprojekt

Eine reproduzierbare KI-Pipeline mit eigener Modellkomponente umsetzen: Daten vorbereiten, trainieren, mit einer Referenz vergleichen und über eine prüfbare Schnittstelle ausführen. Qualität, Laufzeit und Ressourcenbedarf werden dokumentiert.

#### Empfohlene Vorkenntnisse

Programmiererfahrung, vorzugsweise mit Python, sowie Grundkenntnisse in linearer Algebra und Analysis. Verfügbare Hardware und Entwicklungsumgebung werden vor Kursbeginn geklärt.

Kurspreis: 5.987 € · Angekündigt · Termin folgt.

[Interesse an Informatik melden →](mailto:redaktion@granaria.ac?subject=Interesse%3A%20Experten%20%C2%B7%20Informatik%20%28FRG%3AAI-E-INF%29&body=Guten%20Tag%2C%0A%0Aich%20interessiere%20mich%20f%C3%BCr%20den%20angek%C3%BCndigten%20Kurs%3A%0AKurs%3A%20Experten%20%C2%B7%20Informatik%0AKurs-ID%3A%20FRG%3AAI-E-INF%0AKurspreis%3A%205.987%20%E2%82%AC%0A%0ABitte%20informieren%20Sie%20mich%20%C3%BCber%20Starttermin%2C%20Umfang%20und%20Ablauf.%0A%0AName%3A%0AFachlicher%20Hintergrund%3A%0AMein%20Entwicklungsziel%3A%0A)

### Welcher Einstieg passt?

Mathematik richtet sich auf Herleitung und Begründung, Physik auf Modellierung und Messung, Informatik auf Implementierung und Systementwicklung. Die drei Perspektiven ergänzen sich; jeder Kurs wird einzeln für 5.987 € angekündigt.

Wer zunächst die praktische Arbeit mit KI kennenlernen möchte, findet den Einstieg unter [Basis](https://granaria.ac/akademie/basis.php) und die weiterführenden Anwendungswege unter [Profil](https://granaria.ac/akademie/profile.php). Im [Masterkurs Agenten](https://granaria.ac/akademie/agenten.php) steht der Aufbau konkreter Arbeitsabläufe im Mittelpunkt.

Ihre Interessenmeldung öffnet eine E-Mail an [redaktion@granaria.ac](mailto:redaktion@granaria.ac). Sie können Ihren fachlichen Hintergrund und Ihr Entwicklungsziel ergänzen.

[Kursankündigungen als JSON](https://granaria.ac/akademie/experten.php?format=json) · [Vollständige Textfassung als Markdown](https://granaria.ac/akademie/experten.php?format=md)

