- Einführung in Cloud Computing, Data Science, AI und Künstliche Intelligenz
- Überblick über die Rolle des Cloud Machine Learning Engineer
- Setup mit Python, UNIX, Git, GitHub und Cloud Development Environments
- Nutzung von Cloud-Plattformen (z. B. AWS, Google Cloud, Azure) für skalierbare ML-Prozesse
Machine Learning Modelle entwickeln & trainieren
- Supervised Learning: Regression, Klassifikation und Modelltraining
- Modellbewertung, Feature Engineering und Hyperparameter-Tuning
- Nutzung von Scikit-learn, Tensorflow und Keras in Cloud-Umgebungen
- Modelloptimierung für Cloud-Deployment und AI-Anwendungen
Cloud Tools & Infrastruktur für ML Engineers
- Entwicklung von ML-Pipelines mit MLOps-Prinzipien
- Cloud-basierte Datenverarbeitung, Storage und Deployment
- Versionierung, Testing und Continuous Integration für Machine Learning Workflows
- Monitoring und Modellmanagement für produktionsreife AI-Systeme
AI, Deep Learning & automatisierte Modellierung
- Aufbau tiefer neuronaler Netze in der Cloud
- Transfer Learning, NLP und Time Series Forecasting mit Cloud-Unterstützung
- Einsatz von GPU-basiertem Modelltraining für Künstliche Intelligenz Anwendungen
- AutoML und automatisierte Feature Selection in Data Science Projekten
Praxisprojekt: ML-Modell in der Cloud umsetzen
- Planung und Umsetzung eines Cloud-basierten End-to-End Machine Learning Projekts
- Arbeiten im Team mit Git und agilen Methoden
- Bereitstellung und Skalierung eines AI-Modells als Data Product
- Präsentation mit Fokus auf Cloud-Infrastruktur, Modellperformance und AI-Einsatz
Der Kurs verwendet AWS als zentrale Plattform für die Implementierung von Cloud Machine Learning Prozessen und Pipelines.