- Was macht ein AI Engineer? Einführung in Aufgaben, Tools und Prozesse
- Überblick über Künstliche Intelligenz, Machine Learning und Data Science
- Projektlebenszyklus in AI Engineering: Von der Datenquelle bis zum Live-Modell
- Einstieg in moderne KI-Technologien und Frameworks für Anfänger:innen
Coding & Softwaregrundlagen für Data Science
- Einführung in Python: Syntax, Datenstrukturen, Funktionen, Fehlerbehandlung
- Objektorientiertes Programmieren leicht verständlich erklärt
- Version Control Basics: Git und GitHub für Einsteiger:innen
- Arbeiten mit der Unix-Konsole zur Automatisierung von Datenprozessen
Grundlagen der Datenanalyse
- Datenmanipulation mit Pandas & SQL - Einstieg in Data Science
- Datenerkundung mit Visualisierungen in Matplotlib und Seaborn
- EDA-Projekt: Analyse eines realen Datensatzes mit ersten Business-Insights
- Verständnis für Datenstruktur, Datenqualität und Feature-Erstellung
Machine Learning Basics für AI Engineers
- Supervised Learning verständlich erklärt: Regression und Klassifikation
- Modelle evaluieren mit Accuracy, Precision, Recall und F1-Score
- Modelltraining mit Scikit-Learn anhand realer Datensätze
- Mini-Projekt: Erstes Machine Learning Modell für einen Use Case
Deep Learning & Generative AI Einstieg
- Neuronale Netze - Funktionsweise, Aufbau und Trainingsprozess
- Bild- und Textverarbeitung: Grundlagen von CNNs und NLP
- Prompt Engineering für Chatbots und Generative AI Anwendungen
- Clustering und Dimensionsreduktion mit K-Means, PCA und t-SNE
Statistik für angehende AI Engineers
- Deskriptive und schließende Statistik für Modellierung
- Wahrscheinlichkeitsverteilungen und Signifikanztests
- Anwendung statistischer Konzepte im Machine Learning Kontext
- Verbindung zwischen Statistik, Data Science und Künstlicher Intelligenz
Data Engineering & Deployment für Anfänger:innen
- Einführung in Datenarchitektur und Pipelines mit Prefect
- Grundlagen von Docker zur Containerisierung von ML-Modellen
- CI/CD Konzepte einfach erklärt für produktionsreife KI-Projekte
- Monitoring und Wartung: Wie man KI-Lösungen langfristig stabil hält
Praxisprojekt: AI Engineering zum Mitmachen
- Capstone-Projekt zur Umsetzung eines End-to-End AI Engineering Workflows
- Von der Datenaufnahme bis zum Deployment eines ML-Modells
- Zusammenarbeit im Team - wie ein echter AI Engineer arbeiten
- Kommunikation, Präsentation und Dokumentation der KI-Lösung
Der Kurs bietet einen umfassenden Überblick über AI Engineering, Künstliche Intelligenz und Machine Learning, einschließlich moderner KI-Technologien für Anfänger.