- Grundlagen von machine learning, Data Science und Künstlicher Intelligenz im Kontext moderner AI Engineering
- Supervised vs. Unsupervised machine learning - einfach und praxisnah erklärt
- Einordnung von AI Engineering im beruflichen Alltag: Rollen, Tools und Workflows
- Realistische machine learning Anwendungsfälle aus Industrie, Medizin und Alltag
Python Basics für Machine Learning & AI Engineering
- Wichtige Python-Kenntnisse für den Einstieg in machine learning
- Arbeiten mit Jupyter Notebooks - das Standard-Tool im AI Engineering Alltag
- Versionskontrolle mit Git & GitHub: Zusammenarbeit wie im echten AI Engineering Team
- Mini-Skripte zur Datenbearbeitung, Exploration und ersten machine learning Modellen
Datenanalyse & Datenverständnis für Machine Learning
- Grundlagen der Datenverarbeitung mit Pandas & SQL - zentral für AI Engineering
- Visualisierung mit Seaborn und Matplotlib: Muster für machine learning entdecken
- Datenbereinigung, Feature Engineering und Datenverständnis als Basis für machine learning Modelle
- Explorative Datenanalyse als Kernkompetenz in AI Engineering
Klassische Machine Learning Methoden praxisnah erklärt
- Regression und Klassifikation: Lineare & logistische Verfahren in machine learning
- Entscheidungsbäume und k-NN im Vergleich - visuell verständlich aufbereitet
- Ensemble-Methoden wie Random Forest & Boosting im AI Engineering Kontext
- Modelle bewerten mit Accuracy, Precision, Recall, F1 - unerlässlich für jede machine learning Pipeline
Unüberwachtes Lernen & Clustering in AI Engineering
- Clustering-Methoden wie K-Means, DBSCAN - unverzichtbar für exploratives machine learning
- Dimensionsreduktion mit PCA, t-SNE für AI Engineering Visualisierung
- Anwendung unüberwachter Verfahren auf reale Daten aus dem machine learning Alltag
- Mustererkennung und Segmentierung - erste Schritte in komplexere KI-Systeme
Deep Learning & moderne KI-Methoden
- Neuronale Netze als Grundlage fortgeschrittener machine learning Modelle
- NLP und Computer Vision: Einstieg in Deep Learning innerhalb von AI Engineering
- Prompt Engineering & Generative AI - Zukunftstrends für machine learning Professionals
- Verbindung klassischer und moderner Ansätze im AI Engineering Prozess
Statistik-Grundlagen für Machine Learning und AI Engineering
- Deskriptive Statistik und Wahrscheinlichkeiten für fundiertes machine learning
- Hypothesentests, Signifikanz und Korrelationen für datengetriebene Entscheidungen
- Statistik als Schlüssel zur Modellvalidierung im AI Engineering Alltag
- Dateninterpretation für bessere Features und stabilere machine learning Modelle
Abschlussprojekt: End-to-End Machine Learning Workflow
- Eigenständige Umsetzung eines machine learning Use Cases - von Daten bis Modell
- Teamarbeit wie im realen AI Engineering Projekt - inklusive Deployment-Vorbereitung
- Präsentation vor Stakeholdern: Wie ein echter AI Engineer Insights und Modelle kommuniziert
- Zusammenführung aller gelernten Kompetenzen aus machine learning und AI Engineering
Dieser Kurs behandelt ausführlich die Grundlagen von Supervised und Unsupervised Machine Learning sowie die Anwendung von Python für Machine Learning.