- Grundverständnis von KI, AI Engineering und deren Rolle in modernen Unternehmen
- Wichtige Begriffe und Technologien: Machine Learning, Data Science, Deep Learning
- Unterschiede zwischen klassischen Softwareprojekten und KI-getriebenen Workflows
- Überblick über den Lebenszyklus eines AI Produkts - von der Idee bis zur Überwachung im Betrieb
Python und Software Engineering für Data Science
- Erlernen von Python-Grundlagen für Datenanalyse und KI-Anwendungen
- Nutzung der Kommandozeile und Automatisierung typischer Datenaufgaben
- Einführung in Git & GitHub für Versionskontrolle im AI Engineering Team
- Strukturierung von Code mit objektorientierten Programmierkonzepten
Explorative Datenanalyse und Visualisierung
- Manipulation und Analyse von Daten mit Pandas und SQL
- Visualisierungstechniken mit Seaborn und Matplotlib zur Mustererkennung
- EDA-Projekt: Anwendung auf reale Businessdaten zur Insight-Generierung
- Datenbereinigung und Feature-Erstellung als Vorstufe für Machine Learning
Grundlagen des Machine Learning
- Supervised Learning mit Fokus auf lineare und logistische Regression
- Einführung in Entscheidungsbäume, Random Forests und Support Vector Machines
- Modellevaluierung mit Metriken wie Accuracy, Precision, Recall
- Verwendung von Scikit-Learn zur Modellierung und Performancebewertung
Deep Learning & Prompt Engineering
- Basics künstlicher neuronaler Netzwerke und CNNs
- NLP-Grundlagen und Zeitreihenanalyse (Intro)
- Clustering und Dimensionsreduktion (PCA, t-SNE)
- Einführung in Generative AI und Prompt Engineering
Statistik für KI-Anwendungen
- Deskriptive Statistik und explorative Analyse
- Statistische Tests und Wahrscheinlichkeitsverteilungen für AI-Modelle
- Rolle der Statistik in der Datenvalidierung und Modelloptimierung
- Einbettung statistischer Methoden in Data Science Workflows
Vertiefung: Recommender Systems und Clustering
- Techniken wie K-Means, DBSCAN und hierarchisches Clustering
- Entwicklung von Empfehlungssystemen mit Cosine Similarity und Matrixfaktorisierung
- Optional: Anwendung von NLP-Methoden für intelligente Systeme
- Integration von unsupervised Learning Methoden in AI Engineering Projekte
Produktionsreife KI-Modelle
- Einblick in den Aufbau von Datenpipelines mit Prefect
- Verwendung von Docker zur Containerisierung von ML-Modellen
- Grundlagen von CI/CD für kontinuierliche Bereitstellung
- Monitoring & Retraining: ML-Modelle langfristig stabil halten
Capstone Projekt: KI Engineering in Aktion
- Umsetzung eines vollständigen AI-Projekts von der Datenakquise bis zum Deployment
- Zusammenarbeit im Team zur Entwicklung produktionsreifer KI-Lösungen
- Praxiseinsatz von Data Science, Machine Learning und AI Engineering
- Kommunikation und Präsentation von Projektergebnissen an Stakeholder
Dieser Kurs vermittelt ein Grundverständnis für KI und AI Engineering durch Python-Grundlagen, Machine Learning, Deep Learning und explorative Datenanalyse.