- Überblick über Cloud Computing, Data Science, und Künstliche Intelligenz
- Rollenbeschreibung für Cloud Machine Learning Engineer
- Einrichten von Python, UNIX, Git, GitHub und Cloud Development Environments
- Verwendung von Cloud-Plattformen wie AWS, Google Cloud und Azure für Machine Learning
Entwicklung & Training von Machine Learning Modellen
- Supervised Learning: Regression, Klassifikation und Training
- Feature Engineering, Modellbewertung und Hyperparameter-Tuning
- Verwendung von Scikit-learn, Tensorflow und Keras in der Cloud
- Optimierung für Cloud-Deployment und AI-Anwendungen
Cloud-Tools & Infrastruktur für ML Entwicklung
- ML-Pipelines mit MLOps-Prinzipien entwickeln
- Datenverarbeitung, Storage und Deployment in der Cloud
- Versionierung, Testing und Continuous Integration für ML Workflows
- Monitoring und Management von produktionsreifen AI-Systemen
AI, Deep Learning & Automatisierung
- Erstellung von tiefen neuronalen Netzen in der Cloud
- Transfer Learning, NLP und Zeitreihenprognosen mit Cloud-Unterstützung
- Verwendung von GPU-basiertem Training für Künstliche Intelligenz
- AutoML und automatisierte Feature Selection in Data Science Projekten
Cloud-basiertes ML Praxisprojekt
- Planen und Umsetzen eines End-to-End Machine Learning Projekts in der Cloud
- Teamarbeit mit Git und agilen Methoden
- Bereitstellung und Skalierung von AI-Modellen als Data Product
- Präsentation mit Fokus auf Cloud-Infrastruktur, Modellperformance und AI-Nutzung