- Überblick über Machine Learning, Data Science und AI Engineering
- Verständnis des End-to-End Lifecycles eines Machine Learning Engineer Projekts
- Abgrenzung zwischen klassischen Data Science Rollen und dem Beruf des Machine Learning Engineer
- Integration von Python, Künstlicher Intelligenz und Deployment im Kontext moderner AI Engineering
Python-Grundlagen für Machine Learning Engineers
- Essenzielle Python-Konzepte für angehende Machine Learning Engineers
- Objektorientierte Programmierung für wartbare und skalierbare AI Engineering Systeme
- Versionskontrolle und Zusammenarbeit mit Git & GitHub
- Python Tooling für KI-Anwendungen und produktionsreifes Machine Learning Engineering
Datenanalyse & Feature Engineering für AI Engineering
- Analyse und Verarbeitung mit Pandas und SQL
- Datenvisualisierung als Grundlage für AI Engineering Entscheidungen
- Feature Engineering zur Optimierung von Machine Learning Engineer Modellen
- EDA-Projekt: Realitätsnahe Datenvorbereitung im KI-Kontext
Supervised Machine Learning in der AI Engineering Praxis
- Regressions- und Klassifikationsverfahren für Machine Learning Engineers
- Umsetzung von Random Forest, SVM und Boosting-Methoden
- Modellbewertung mit Precision, ROC, AUC und F1 für fundiertes AI Engineering
- Vergleich von Algorithmen aus Sicht eines Machine Learning Engineer
Unsupervised Learning & Deep Learning für KI-Projekte
- Clustering-Techniken wie K-Means und DBSCAN
- Dimensionsreduktion mit PCA, t-SNE - visualisieren wie ein Machine Learning Engineer
- Einführung in neuronale Netze & Deep Learning innerhalb des AI Engineering Workflows
- Generative AI, CNNs und NLP: Praxisnahe Tools für KI-gestützte Anwendungen
Statistik für Machine Learning Engineers
- Statistische Konzepte speziell für den Alltag von Machine Learning Engineers
- Tests, Verteilungen und Inferenz zur Absicherung von KI-Modellen
- Fehleranalyse und Validierung aus Sicht von AI Engineering
- Anwendung von Statistik in produktionsnahen Machine Learning Projekten
Data Engineering & Produktionsreife ML-Systeme
- Aufbau skalierbarer Datenpipelines - Schlüsselkompetenz für jeden Machine Learning Engineer
- Docker und Prefect: Technologiestack für modernes AI Engineering
- CI/CD und Deployment-Prozesse im MLOps-Kontext
- Cloud-Komponenten zur Operationalisierung von KI-Lösungen
Modellüberwachung & MLOps in der AI Engineering Welt
- Monitoring und Drift-Erkennung mit Prometheus & Grafana
- MLOps-Strategien zur Wartung und Weiterentwicklung durch den Machine Learning Engineer
- Automatisiertes Retraining und Alarmierung - essenzielle AI Engineering Methoden
- Verknüpfung von Modell, Infrastruktur und Überwachung im Produktionsbetrieb
Capstone-Projekt: Machine Learning Engineering in Aktion
- End-to-End Projekt für angehende Machine Learning Engineers
- Datenanalyse, Feature Engineering, Modellbau und API-Deployment
- Anwendung bewährter Praktiken aus AI Engineering und Projektmanagement
- Entwicklung eines produktionsreifen Prototyps in Teamarbeit - vom Modell zur echten KI-Anwendung
Der Kurs vermittelt Machine Learning Engineers wichtige Fähigkeiten in Python, AI Engineering und MLOps zur Entwicklung robuster KI-Anwendungen.