- Grundlagen und Kernkonzepte des KI Engineering im Firmenumfeld
- Verantwortungsbereiche von KI-Managern in AI Engineering und Data Science Projekten
- Vergleich zwischen traditionellen Softwareentwicklungen und KI Engineering-fokussierten Entwicklungen
- Durchgehender Überblick über den AI Engineering Produktlebenszyklus
Programmierung & Software-Engineering für KI
- Python-Effizienz in KI Engineering und datenbasierte Softwareentwicklung
- Einsatz von Git & GitHub für kooperatives Arbeiten in AI Engineering
- Automatisierte Datenaufgaben im KI Engineering mit der Unix-Shell
- OO-Programmierung für erweiterbare AI Engineering Architekturen
Datenanalyse & Visualisierung
- Pandas und SQL zur Datenmanipulation im KI Engineering
- Nutzen von Matplotlib & Seaborn zur Entscheidungsfindung in AI Engineering
- EDA zur Gewinnung wichtiger Erkenntnisse im KI Engineering Umfeld
- Grundlagen des Data Cleanings für AI Engineering Erfolg
Machine Learning in KI Engineering
- Einsatz von Regressionsmodellen und Entscheidungsbäumen in AI Engineering
- Modellevaluierung für die Qualität von KI Engineering
- Erprobte Methoden: Random Forest und Boosting in AI Engineering
- Scikit-Learn zur praktischen Anwendung in AI Engineering
Deep Learning & Generative Künstliche Intelligenz
- Neuronale Netze und CNNs für bildbasierte KI Engineering
- NLP und Zeitreihen im Rahmen von AI Engineering
- Prompt Engineering als moderne KI Engineering Taktik
- Dimensionale Reduktionstechniken in AI Engineering Workflows
Mathematik für KI Engineering
- Wahrscheinlichkeit und Statistik als Grundlagen für KI Engineering
- Signifikanztests zur Unterstützung datenbasierter AI Engineering Entscheidungen
- Statistische Modelle als Basis für KR Engineering Pipelines
Fortgeschrittenes AI Engineering & Recommender-Systeme
- NLP-Anwendungen für Text- und Sentimentanalysen in KI Engineering
- Einsatz von Recommender Systemen in AI Engineering
- LSTM für spezifische Zeitreihenprognosen in KI Engineering
Data Engineering & Pipeline-Architektur
- Entwicklung skalierbarer Pipelines mit DBT und Prefect für AI Engineering
- Schlüsselrolle des Feature Engineering im KI Engineering Prozess
- Integration von Echtzeit-Daten für produktionsreifes AI Engineering
- Cloud-native Pipelines für den gesamten KI Engineering Zyklus
Deployment von Machine Learning Modellen
- Bereitstellen von Modellen per Docker und Cloud in KI Engineering
- Frameworks für Tests und Monitoring in AI Engineering
- CI/CD und Drift-Erkennung als fortgeschrittene Praxis im KI Engineering
- API-Einrichtung für den produktiven Einsatz in AI Engineering
Finale Projekte in KI und AI Engineering
- Realisierung von praxisnahen Projekten im KI und AI Engineering
- Verwaltung des kompletten Lifecycles: Entwicklung, Deployment und Monitoring
- Teamarbeit in agilen Settings zur Vorbereitung auf KI Engineering
- Präsentation der Forschungsergebnisse an Beteiligte mit Augenmerk auf AI Impact