DIGITAL ETHICS
In diesem Kursteil erhalten Sie einen Überblick über ethische Fragestellungen der Digitalisierung und lernen Zielkonflikte und Herausforderungen der digitalen Ethik kennen.

• Ethische Dimension der Digitalen Transformation
  Um im Rahmen von ethischen Zielkonflikten Entscheidungen treffen zu können und Rahmenbedingungen für die ethische Ausgestaltung von Technologie zu entwickeln, bedarf es eines Grundverständnisses zur digitalen Ethik. Dies behandelt der erste Teil der Ausbildung und macht damit deutlich, wie Digitale Ethik zum kritischen Erfolgsfaktor für Digitale Transformation wird.
• Chancen, Risiken & Anwendungsbereiche Digitaler Ethik
  Anhand von verschiedenen Praxisbeispielen und Anwendungsfeldern zur Digitalen Ethik werden typische Herausforderungen und Lösungsansätze deutlich gemacht. Insbesondere die Wirkungen von Ethik und der Arbeitswelt 4.0 werden beleuchtet und die Fragen nach „guter Arbeit“, der Kooperation von Mensch & Maschine oder dem bedingungslosen Grundeinkommen diskutiert.
• Referenzrahmen und Vision zur Digitalen Ethik in der Zukunft
  Das Gutachten des Wissenschaftlichen Beirats der Bundesregierung Globale Umweltveränderungen WGBU macht deutlich, dass die Digitalisierung notwendigerweise gestaltet werden muss, um die große Transformation zur Nachhaltigkeit zu unterstützen. In diesem Ausbildungsteil werden diese Vision und deren Gestaltungsaufgaben betrachtet und gemeinsam erörtert.

ARTIFICIAL INTELLIGENCE UND ETHICS
In diesem Teil Ihrer Ausbildung geht es verstärkt um die Frage, welche Wirkungen und ethischen Fragestellungen die wachsende Nutzung von KI-basierten Anwendungen und Produkten nach sich ziehen.

• Mensch und AI
  Der Einsatz von AI verändert die Wirtschaftswelt und Gesellschaft in zunehmendem Maße. Wie können hier Rahmenbedingungen und Regelwerke geschaffen werden, welche Anforderungen müssen bei der automatisierten Entscheidungsfindung oder der Produktentwicklung berücksichtigt werden, damit ein menschenzentriertes und selbstbestimmtes Leben möglich ist? Dieser Teil behandelt dazu vertiefend verschiedene Aspekte und Anwendungsfälle von AI und Digitaler Ethik.
• Der Europäische Ansatz zu AI
  Die europäischen Regierungen haben verschiedene Leitlinien, Gutachten und das Weißbuch zur AI entwickelt, um Risiken durch Anwendung von AI zu verringern und Rahmenbedingungen zu gestalten. Diese werden betrachtet und der Ansatz zur „vertrauenswürdigen AI“ behandelt.
• Unternehmenspraxis: Ethikboards und andere Instrumente
  In der Praxis haben sich Instrumente wie Ethikboards, Digitale Ethik Leitlinien oder der Digitale Ethik Kodex als wichtige Mittel zur Umsetzung von digitaler Verantwortung entwickelt. Es werden hier Beispiele und konkrete Anwendungsszenarien vertieft und Methoden anhand von Practice Cases geübt.

SUSTAINABILITY UND CORPORATE DIGITAL RESPONSIBILITY
Im dritten Teil des Ethics-Kurses stehen die Themen Nachhaltigkeit und Unternehmensverantwortung im Fokus.

• Sustainability: Themen, Anforderungen und Standards
  Im Vordergrund stehen Grundlagen zur historischen Entwicklung, aktuellen Standards zum Themenkomplex Nachhaltigkeit und zu internationalen Abkommen.
• Nachhaltige Unternehmensführung
  Es wird die Bedeutung von nachhaltiger Unternehmensführung in allen Kern- und Managementprozessen erläutert und anhand des Business Cases für Nachhaltigkeit aufgezeigt. Weiter werden Praxisbeispiele besprochen und die Instrumente zur Berichtserstattung vorgestellt.
• Corporate Digital Responsibility
  Corporate Digital Responsibility (CDR) entwickelt sich zum kritischen Erfolgsfaktor für nachhaltige Unternehmensführung. Der Kurs vertieft anhand von Fallbeispielen aktuelle Instrumente aus der Praxis und betrachtet Möglichkeiten von Impactmessung und Reporting zu CDR.

• Einführung Data Science
• Statistische Grundlagen
• Explorative Datenanalyse
• Data Preprocessing
• Lineare Regressionen
• Logistische Regressionen
• Gradientenverfahren

• Einführung in Python
• Implementierung von kleinen Modellen und Vorverarbeitungen
• Projektvorstellung

• Agiles Arbeiten mit Git und Jira
• Scrum Projektmanagement
• Machine Learning in Production

• Instanzmethoden (kNN)
• Baummethoden
• Bagging (e.g. Random Forest)
• Boosting (e.g. AdaBoosting, Gradient Boosting)
• Support Vector Machines
• Clustering
• Modellinterpretation
• Visualisierungen
• Advanced Metrics
• Hyperparameteroptimierung

• Vollständige Analyse von Daten
• Inkl. Clustering, prädiktive Modellierungen, Modellinterpretation, Auswahl ….