- Überblick über Künstliche Intelligenz: Anwendungsfelder, Systemklassen und ethische Fragestellungen
- Verknüpfung von Data Science, Maschinelles Lernen und AI Engineering
- Lebenszyklus einer Künstliche Intelligenz-Lösung: Von Datenbeschaffung bis Deployment
- Technologische Basis: AI Engineering Tools, Frameworks, Infrastruktur
Programmierpraktiken & Werkzeuge im AI Engineering
- Python als Kernsprache für Künstliche Intelligenz und Datenanalyse
- Einsatz von Terminal, Git und GitHub für kollaboratives AI Engineering
- Skalierbare Künstliche Intelligenz-Systeme durch objektorientierte Programmierung
- Projekte strukturieren und Clean Code im AI Engineering anwenden
Datenanalyse und Visualisierung für Maschinelles Lernen
- Datenanalyse und Transformation mit Pandas und SQL
- Zusammenhänge visualisieren mit Seaborn und Matplotlib für Künstliche Intelligenz
- Hypothesengenerierung: Explorative Datenanalyse (EDA) im Künstliche Intelligenz Kontext
- Praktisches Mini-Projekt zur Datenanalyse im AI Engineering Szenario
Maschinelles Lernen Techniken in Künstlicher Intelligenz
- Lineare und logistische Regression, Entscheidungsbäume als Grundlagen
- Modelle bewerten mittels Accuracy, Precision, Recall, F1-Score bei Künstliche Intelligenz
- Einsatz von Ensemble-Methoden: Random Forest & Gradient Boosting in Maschinelles Lernen
- Verwendung von Scikit-Learn in produktiven AI Engineering Prozessen
Neuronale Netzwerke und Deep Learning für Künstliche Intelligenz
- Neuronale Netze verstehen als Schlüsseltechnologie der Künstlichen Intelligenz
- CNNs für Bildverarbeitung und Backpropagation im Deep Learning
- Clustering, PCA und t-SNE als Tools für moderne Maschinelles Lernen Lösungen
- Prompt Engineering und erste Schritte mit Generative Künstliche Intelligenz
Statistikgrundlagen für AI Engineering
- Verteilungen, Hypothesentests und Wahrscheinlichkeiten in Künstliche Intelligenz
- Statistik als Evaluationsinstrument für Künstliche Intelligenz-Modelle
- Statistische Methoden zur Unsicherheitsanalyse im AI Engineering
- Verknüpfung von Statistik und Maschinellem Lernen in Künstliche Intelligenz Anwendungen
Spezialisierungen & Fortgeschrittene Methoden der Künstlichen Intelligenz
- NLP-Grundlagen für sprachbasierte Künstliche Intelligenz
- Recommender Systeme in der Praxis des AI Engineering
- Zeitreihenanalyse zur Trendvorhersage mit Maschinellem Lernen
- Optional: Retrieval-Augmented Generation (RAG) und LSTMs in Künstliche Intelligenz
Deployment & Monitoring im AI Engineering
- Docker für reproduzierbare Umgebungen in Künstliche Intelligenz Systemen
- CI/CD Pipelines für kontinuierliches Deployment in AI Engineering
- Qualitätssicherung mit Prometheus & Grafana im AI Engineering
- Wartung und Weiterentwicklung produktiver Künstliche Intelligenz Lösungen
Finales AI Engineering Projekt
- Teamarbeit zur End-to-End Entwicklung einer Künstliche Intelligenz Lösung
- Integration von Daten, Modellen, Evaluierung in einem realen AI Engineering Anwendungsfall
- Projektpräsentation vor Stakeholdern im Bereich Künstliche Intelligenz
- Nutzung professioneller Methoden im AI Engineering für nachhaltige Implementierung