StudySmarter

Künstliche Intelligenz (KI) Certified AI Disinformation Defense

Laut Katalog dauert der Kurs 1–3 Monate und kostet 5.000–10.000 €. Du lernst im virtuellen Klassenzimmer. Anbieter ist Code S Academy Ramona Sander.

brutto im Monat, Vollzeit, inkl. anteiliger Sonderzahlungen, als KI & Machine Learning bundesweit
4.580 €
5.540 €
7.170 €
Untere 25 %
verdienen bisDie Mitte
MedianObere 25 %
verdienen ab

Achse beginnt bei 4.000 €

Förderung prüfen

5.387 weitere Kurse vergleichen

01 · Der Kurs

Der Kurs hat 1 Termin

Auf einen Blick

LERNUMFANG
1–3 Monate
KATALOGPREIS
5.000–10.000 €
LERNORT
Online
NÄCHSTER START
Start mit Anbieter klären
LERNFORM
Virtuelles Klassenzimmer

Passt der Kurs zu dir?

  1. 1
    Motivation und Lernbereitschaft
  2. 2
    Zuverlässigkeit im jeweiligen Arbeitsfeld
  3. 3
    Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

  • Modul 1: Grundlagen der KI-gestützten Desinformationsanalyse
  • Evolution der Desinformation: Von manuellen Fake News zu KI-generierten Deepfakes und automatisierten Bot-Netzwerken, analysiert anhand aktueller Fallstudien in interaktiven Online-Dashboards.
  • Machine Learning & NLP Basics: Einführung in Supervised und Unsupervised Learning im Kontext der Text- und Bildanalyse, veranschaulicht durch browserbasierte KI-Modellierung.
  • Datenquellen & OSINT-Erfassung: Sammlung und Normalisierung von Social-Media-Daten und Nachrichtenartikeln unter ausschließlicher Verwendung kostenfreier Open-Source-Scraper und APIs.
  • Feature Engineering für Textdaten: Transformation von unstrukturierten Texten in maschinenlesbare Vektoren (TF-IDF, Word Embeddings) direkt im Browser mittels Python-Notebooks.
  • Online Hands-on Lab: Aufbau einer kostenfreien Open-Source-Datenpipeline. Nutzung von Google Colab und frei verfügbaren Twitter/X-Datensätzen zur Datenaufbereitung und Visualisierung mit Open-Source-Bibliotheken wie Matplotlib und Seaborn.
  • Modul 2: Erkennung von KI-generierten Texten
  • Statistische vs. semantische Textanalyse: Identifikation von maschinell erstellten Inhalten durch Perplexity- und Burstiness-Metriken, analysiert anhand von Open-Source-Textkorpora.
  • Transformer-Modelle in der Erkennung: Funktionsweise von BERT und RoBERTa zur Klassifizierung von Fake News und Propaganda, trainiert in kostenfreien Cloud-Umgebungen.
  • Stilometrie und Autorenerkennung: Analyse von linguistischen Mustern und Schreibstilen zur Aufdeckung von automatisierten Content-Farmen mithilfe frei zugänglicher NLP-Tools.
  • Cross-linguale Desinformationserkennung: Identifikation von übersetzten und adaptierten Falschinformationen durch KI-gestützte Sprachmodelle in browserbasierten Jupyter-Notebooks.
  • Online Hands-on Lab: Implementierung eines RoBERTa-basierten Klassifikators in Python (Hugging Face) via Google Colab. Training des Modells mit kostenfreien Fake-News-Datensätzen zur Erkennung von GPT-generierten Texten.
  • Modul 3: Deepfake-Erkennung in Bild und Video
  • Visuelle Forensik: KI-gestützte Auswertung von Bildartefakten, Beleuchtungsinkonsistenzen und unnatürlichen Bewegungen unter Nutzung von Open-Source-Datensätzen (z.B. FaceForensics++).
  • Erkennung von GAN-generierten Inhalten: Identifikation von synthetischen Gesichtern und manipulierten Bildern durch Verhaltensmodellierung in kostenfreien Online-Sandbox-Umgebungen.
  • Integration von CNNs in der Bildanalyse: Architektur moderner Bilderkennungsmodelle und deren Einsatz zur Deepfake-Detektion, demonstriert an quelloffenen Frameworks.
  • Audio-Forensik und Voice-Cloning-Erkennung: Analyse von Frequenzspektren und stimmlichen Anomalien zur Identifikation von synthetischen Audiospuren, simuliert in sicheren, browserbasierten Umgebungen.
  • Online Hands-on Lab: Konfiguration von Open-Source-Bildanalyse-Tools in einer kostenfreien Cloud-Instanz. Training eines Convolutional Neural Networks (CNN) zur Erkennung von Deepfake-Videos anhand frei verfügbarer Trainingsdaten.
  • Modul 4: Analyse von Bot-Netzwerken und Informationsverbreitung
  • Modellierung von Verbreitungsmustern: Erstellung dynamischer Graphen zur Visualisierung von Informationskaskaden und Echokammern mithilfe von Open-Source-Analytics-Tools.
  • Zeitreihenanalyse & Netzwerkanalyse: Erkennung von koordiniertem inauthentischem Verhalten (CIB) durch Python-basierte Datenanalyse im Browser.
  • Bot-Erkennungsmodelle: Entwicklung von Algorithmen zur Identifikation von Social-Media-Bots basierend auf Metadaten und Interaktionsmustern, programmiert in kostenfreien Jupyter-Umgebungen.
  • Sentiment-Analyse in Netzwerken: Auswertung der emotionalen Tonalität von Kampagnen zur Aufdeckung von gezielter Polarisierung anhand anonymisierter Open-Source-Datensätze.
  • Online Hands-on Lab: Analyse von Social-Media-Graphen mit dem kostenfreien NetworkX-Framework. Konfiguration von ML-Jobs in einer Open-Source-Umgebung zur Aufdeckung von koordinierten Desinformationskampagnen.
  • Modul 5: Automatisierte Fact-Checking-Systeme
  • Grenzen des manuellen Fact-Checkings: Skalierbarkeitsprobleme und die Notwendigkeit KI-gestützter Ansätze, analysiert an komplexen, frei zugänglichen Behauptungen.
  • Information Retrieval und Claim Extraction: Extraktion von überprüfbaren Aussagen aus Texten und Abgleich mit vertrauenswürdigen Wissensdatenbanken mittels quelloffener Python-Skripte.
  • Natural Language Inference (NLI): Einsatz von Deep-Learning-Modellen zur Überprüfung der logischen Konsistenz zwischen Behauptungen und Beweisen, trainiert auf kostenfreien GPU-Instanzen (z.B. Colab).
  • Knowledge Graphs im Fact-Checking: KI-gestützte Auswertung von semantischen Netzwerken zur Verifizierung von Fakten aus öffentlichen Datenbanken (z.B. Wikidata).
  • Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Graphdatenbank-Instanz. Training eines PyTorch-basierten NLI-Modells im Browser zur automatisierten Überprüfung von politischen Aussagen anhand von Open-Source-Wissensgraphen.
  • Modul 6: Threat Intelligence für Desinformationskampagnen
  • Automatisierte Kampagnen-Analyse: Herausforderungen bei der Auswertung unstrukturierter Daten aus frei zugänglichen Foren, Telegram-Kanälen und Darknet-Quellen.
  • Named Entity Recognition (NER) für Akteure: Training von NLP-Modellen zur Extraktion von staatlichen und nicht-staatlichen Akteuren unter Nutzung quelloffener Sprachmodelle.
  • Narrativ-Tracking & Trend-Erkennung: Überwachung von Open-Source-Intelligence (OSINT) Quellen zur proaktiven Aufklärung von aufkommenden Desinformationsnarrativen.
  • Automatisierte IoC-Extraktion für Kampagnen: Generierung von strukturierten Formaten aus Fließtexten zur Einspeisung in kostenfreie Threat Intelligence Plattformen.
  • Online Hands-on Lab: Entwicklung eines NLP-Skripts mit kostenfreien Hugging Face Transformers im Browser. Automatisierte Auswertung öffentlicher Desinformations-Reports und Einspeisung der Indikatoren in eine cloudbasierte Open-Source-MISP-Instanz.
  • Modul 7: Adversarial Attacks auf Erkennungssysteme
  • Schwachstellen von Desinformations-Erkennungsmodellen: Verständnis der Angriffsvektoren auf ML-Systeme (z.B. Text-Perturbation, Image-Adversarials), simuliert in sicheren Online-Umgebungen.
  • Evasion Attacks auf Textklassifikatoren: Techniken zur Umgehung von Fake-News-Detektoren durch gezielte Wortsubstitutionen, demonstriert an Open-Source-Modellen.
  • Data Poisoning in Fact-Checking-Systemen: Manipulation von Wissensdatenbanken zur Erzeugung von falschen Verifizierungen, analysiert in isolierten, browserbasierten Containern.
  • Härtung von Erkennungsmodellen: Strategien zur Erhöhung der Robustheit durch Adversarial Training mit quelloffenen Frameworks.
  • Online Hands-on Lab: Durchführung eines Evasion-Angriffs auf ein Textklassifikationsmodell unter Verwendung der kostenfreien, quelloffenen TextAttack-Bibliothek direkt im Browser. Anschließende Härtung des Modells.
  • Modul 8: Integration und Automatisierte Gegenmaßnahmen
  • Orchestrierung von Analyse-Pipelines: Integration von trainierten ML-Modellen in Open-Source-Plattformen zur kontinuierlichen Überwachung von Informationsräumen.
  • KI-gestützte Triage von Inhalten: Automatisierte Priorisierung von potenziell schädlichen Inhalten zur Entlastung von Analysten, umgesetzt mit kostenfreien SOAR-Tools.
  • Automatisierte Reporting-Workflows: Entwicklung von Playbooks, die basierend auf KI-Konfidenzwerten strukturierte Berichte generieren, konfiguriert in Open-Source-Plattformen.
  • Continuous Learning in der Desinformationsabwehr: Feedback-Schleifen zur kontinuierlichen Anpassung der KI-Modelle an neue Narrative, simuliert in einer cloudbasierten Übungsumgebung.
  • Online Hands-on Lab: Integration der entwickelten ML-Modelle in die kostenfreie Open-Source-Plattform TheHive und Shuffle SOAR. E…

Der Kurs

Ablauf, Termine und Lernort

Online

Virtuelles Klassenzimmer · Vollzeit · 1–3 Monate · 5.000–10.000 €

02 · Kosten & Förderung

Kursgebühr 5.000–10.000 €, mit bewilligtem Bildungsgutschein 0 €

Dieser Kurs ist im Katalog als förderfähig gekennzeichnet.

Förderwege

Wer deinen Kurs zahlt

FÖRDERUNGBildungsgutschein: Voraussetzungen und Ablauf→FÖRDERUNGAufstiegs-BAföG→FÖRDERUNGAVGS oder Bildungsgutschein→FÖRDERUNGAlle Förderwege im Vergleich→FÖRDERUNGFörderung für KI & Machine Learning→

03 · Gehalt

KI & Machine Learning Gehalt: 5.540 € in der Mitte bundesweit

Die mittlere Hälfte verdient 4.580 € bis 7.170 € brutto im Monat in Vollzeit.

Brutto im Monat

Mitte und Viertel bundesweit

Mindestlohn bei 40 Wochenstunden2.409 €/Monat
gesetzliche Untergrenze
Unteres Viertel bundesweit4.580 €/Monat
ein Viertel verdient weniger
Mitte aller Vollzeitbeschäftigten bundesweit5.540 €/Monat
Median, inkl. Sonderzahlungen
Oberes Viertel bundesweit7.170 €/Monat
ein Viertel verdient mehr

3 Schritte vom Kurs in den Beruf

  1. 1

    KI auf echte Arbeitsaufgaben anwenden

    Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

  2. 2

    Fachwissen mit neuen Werkzeugen verbinden

    Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

  3. 3

    Verantwortung schrittweise aufbauen

    Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

04 · Anbieter

Code S Academy Ramona Sander: 203 Kurse mit aktuellem Termin

203Kurse mit aktuellem Termin

203 Kurse mit aktuellem Termin in unserem Vergleich. Lernformen: Virtuelles Klassenzimmer.

Die Kurse laufen online, ohne festen Ort.

Themen

KI & Machine LearningSupply Chain ManagementNetzwerktechnikNachhaltigkeitsmanagement & CSRMicrosoft Office (Word/Excel/PowerPoint)

05 · Jobs

Stellen für dein berufliches Ziel

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen

BESETZUNG86 Tageim Schnitt bis besetzt
ARBEITSLOSENQUOTE2,4 %Berufsgruppe, bundesweit
ENGPASSjaEngpassberuf

Die Kennzahlen gelten für die Berufsgruppe Berufe in der Informatik (o.S.) (Spezialisten) in den Referenzdaten 2025. Diese Bundeswerte beschreiben das Berufsfeld insgesamt; sie sagen nicht, wie schnell du persönlich eine Stelle findest.

TippNutze diese Orientierung für deinen Kursvergleich: Markiere in drei bis fünf Stellenanzeigen die wiederkehrenden Anforderungen. Ein Kurs mit Praxis, dem passenden Nachweis und einem realistischen Zugang zur Zielrolle ist aussagekräftiger als ein allgemeines Versprechen guter Jobchancen.

06 · Kurse

5.387 Kurse zum Vergleich

Für eine gute Wahl reichen zwei oder drei der 5.387 Kurse mit gleichem Ziel, die du Punkt für Punkt nebeneinanderlegst.

5.387 Kurse zum Vergleich.

5.387Kurse
Kläre deinen persönlichen Kursstart

Häufige Fragen

3 Fragen, kurz beantwortet

Kläre deinen persönlichen Kursstart (5.387 Kurse)

Preis, Dauer und nächster Start der 5.387 Kurse im direkten Vergleich.

Angebote dieses Anbieters
Redaktion StudySmarter WeiterbildungAktualisiert am 01.10.2026 · So rechnen wir