- Essenzielle Grundlagen von maschinellem Lernen, Data Science und Künstlicher Intelligenz innerhalb des modernen KI Engineering
- Vergleich von überwachten und unüberwachten Maschinellem Lernen - klar und verständlich aufgeschlüsselt
- Bedeutung von KI Engineering in beruflichen Kontexten: Rollen, Tools und Arbeitsabläufe
- Praktische Anwendungsfälle von maschinellem Lernen in Industrie, Medizin und Alltag
Python Grundlagen für Maschinelles Lernen & KI Engineering
- Relevante Python-Skills für den Start in maschinelles Lernen
- Nutzung von Jupyter Notebooks - dem Werkzeug der Wahl im KI Engineering Alltag
- Versionskontrolle mit Git und GitHub: Kollaboration im echten AI Engineering Team
- Erstellung von Mini-Skripten für Datenverarbeitung, Analyse und erste maschinelle Lernmodelle
Datenanalyse & Datenverständnis im Maschinellen Lernen
- Datenverarbeitungs-Basics mit Pandas und SQL - unentbehrlich für KI Engineering
- Datenvisualisierung mit Seaborn und Matplotlib: Identifikation von Mustern für maschinelles Lernen
- Datenbereinigung und Feature Engineering als Grundlage für maschinelle Lernmodelle
- Explorative Datenanalyse als wesentliche Fähigkeit im AI Engineering
Klassische Methoden des Maschinellen Lernens in der Praxis
- Lineare und logistische Methoden in der Regression und Klassifikation für maschinelles Lernen
- Entscheidungsbäume und k-NN - anschaulich präsentiert und verglichen
- Ensemble-Methoden wie Random Forest & Boosting im AI Engineering
- Modellbewertung mit Genauigkeit, Präzision, Recall, F1 - essentiell für jede maschinelle Lernpipeline
Unüberwachtes Lernen & Clustering im KI Engineering
- Clustering-Methoden wie K-Means, DBSCAN - wichtig für exploratives maschinelles Lernen
- Dimensionsreduktion mit PCA, t-SNE für die Visualisierung im KI Engineering
- Anwendung unüberwachter Techniken auf reale Daten im maschinellen Lernalltag
- Mustererkennung und Segmentierung - erster Schritt zu komplexen KI-Systemen
Deep Learning & aktuelle KI-Technologien
- Neuronale Netzwerke als Grundlage fortschrittlicher maschineller Lernmodelle
- NLP und Computer Vision: Wege ins Deep Learning im KI Engineering
- Prompt Engineering & Generative AI - neueste Trends für maschinelle Lern-Experten
- Kombinieren klassischer und moderner Ansätze im AI Engineering Prozess
Statistik Essentials für Maschinelles Lernen und KI Engineering
- Deskriptive Statistik und Wahrscheinlichkeitsrechnung für fundiertes maschinelles Lernen
- Tests von Hypothesen, Signifikanz und Korrelationen für datengetriebene Entscheidungen
- Statistik als Schlüssel zur Modellverifizierung im KI Engineering Alltag
- Dateninterpretation für bessere Features und stabilere Modelle im maschinellen Lernen
Abschlussprojekt im Maschinellen Lern-Workflow
- Selbständige Umsetzung eines maschinellen Lernprojekts - vom Datensatz zum Modell
- Teamarbeit analog echter KI Engineering Projekte - inklusive Deployment-Vorbereitung
- Präsentation vor Stakeholdern: Wie ein AI Engineer wirkungsvoll Erkenntnisse und Modelle darlegt
- Integration aller erworbenen Kenntnisse aus maschinellem Lernen und KI Engineering