- Überblick über zentrale Konzepte des KI Engineering und die Rolle von AI Engineering im Unternehmensumfeld
- Aufgaben und Verantwortlichkeiten von KI-Managern bei der Steuerung von AI Engineering und Data Science Projekten
- Unterschiede zwischen klassischen Softwareprojekten und KI Engineering-getriebenen Produktentwicklungen
- Verständnis des gesamten Lebenszyklus eines AI Engineering Produkts - von der Problemdefinition bis zum Deployment
Coding & Software Engineering für KI Engineering
- Effiziente Python-Programmierung im Kontext von KI Engineering und datengetriebenem Softwaredesign
- Versionierung mit Git & GitHub - essenziell für kollaborative AI Engineering Prozesse
- Nutzung der Unix-Shell zur Automatisierung datenverarbeitender Aufgaben im KI Engineering Workflow
- Objektorientierte Programmierung für skalierbare und wartbare AI Engineering Architekturen
Explorative Datenanalyse & Visualisierung
- Datentransformation und -analyse mit Pandas und SQL im Rahmen von KI Engineering Projekten
- Visualisierungstechniken mit Matplotlib & Seaborn zur Unterstützung datenbasierter Entscheidungen in AI Engineering
- EDA-Projekt zur Entwicklung geschäftsrelevanter Insights im KI Engineering Kontext
- Data Cleaning und Strukturierung - unverzichtbare Grundlagen für erfolgreiches AI Engineering
Grundlagen des Machine Learning im KI Engineering
- Supervised Learning: Regressionsmodelle und Entscheidungsbäume für AI Engineering Anwendungen
- Evaluierung von Modellen - zentral für die Qualitätssicherung im KI Engineering
- Ensemble-Verfahren wie Random Forest und Boosting - erprobt im industriellen AI Engineering
- Scikit-Learn für die praktische Modellierung im KI Engineering Alltag
Deep Learning & Generative AI
- Einführung in neuronale Netze und CNNs für bildbasierte KI Engineering Projekte
- NLP-Grundlagen und Zeitreihenanalyse im Kontext von AI Engineering
- Prompt Engineering - ein Schlüsselbereich moderner KI Engineering Strategien
- Techniken zur Dimensionsreduktion in datenintensiven AI Engineering Workflows
Statistik und Mathematik für KI Engineering
- Wahrscheinlichkeitsrechnung und deskriptive Statistik - essenzielle Pfeiler des KI Engineering
- Hypothesentests und Signifikanzanalysen zur Stützung datenbasierter AI Engineering Entscheidungen
- Statistische Modellierung als Grundlage für robuste KI Engineering Pipelines
Advanced AI Engineering & Recommender Systems
- NLP-Anwendungen wie Textklassifikation und Sentimentanalyse für fortgeschrittene KI Engineering Use Cases
- Recommender Systeme und Clustering - zentrale Techniken im AI Engineering Repertoire
- Zeitreihenprognosen mit LSTM - optionaler Bestandteil für spezialisierte KI Engineering Projekte
Data Engineering & Pipeline-Entwicklung für KI Engineering
- Architektur skalierbarer Datenpipelines mit DBT und Prefect im AI Engineering Umfeld
- Feature Engineering - eine Schlüsseldisziplin im KI Engineering Workflow
- Echtzeit-Datenintegration und API-Verknüpfung für produktionsreifes AI Engineering
- Modulare, Cloud-native Pipelines zur Unterstützung des gesamten KI Engineering Zyklus
Machine Learning Deployment in AI Engineering
- Produktionsreife Modellbereitstellung mit Docker & Cloud-Technologien im KI Engineering Prozess
- Test- und Monitoring-Frameworks zur Sicherstellung von Modellstabilität in AI Engineering
- CI/CD Pipelines und Drift-Erkennung - fortgeschrittene Praxis in KI Engineering Teams
- Bereitstellung von APIs für den produktiven Einsatz in AI Engineering Anwendungen
Capstone-Projekte im Bereich KI Engineering und AI Engineering
- Umsetzung von zwei praxisnahen Abschlussprojekten im Rahmen von KI Engineering und AI Engineering
- Komplettes Lifecycle-Management: Entwicklung, Deployment und Monitoring in AI Engineering Szenarien
- Zusammenarbeit in agilen Teams zur Simulation echter Arbeitsbedingungen im KI Engineering
- Präsentation der Projektergebnisse an Stakeholder - Fokus auf Impact und AI-Verständnis
Dieser Kurs bietet einen umfassenden Einblick in das KI Engineering mit speziellen Modulen zu AI Engineering und Machine Learning Deployment.