- Definition und Aufgaben eines AI Engineer: Überblick über Tools und Methoden
- Grundlagen der Künstliche Intelligenz, Maschinelles Lernen und Data Science
- Projektstrategien im KI Engineering von Datenquelle bis zum funktionierenden Modell
- Einstieg in innovative KI-Technologien und Frameworks für Neulinge
Softwareentwicklung & Coding für Data Science
- Erste Schritte in Python: Syntax, Datenstruktur, Funktionen und Fehlerhandling
- Grundprinzipien des objektorientierten Programmierens erklärt
- Grundlagen von Versionskontrolle: Git und GitHub Basics
- Datenprozess-Automatisierung mit der Unix-Konsole
Datenanalyse Grundlagen
- Datenbearbeitung mit Pandas und SQL - Einführung in Data Science
- Datenvisualisierung mit Matplotlib und Seaborn verstehen
- EDA-Projekt: Erste Business-Insights aus einem realen Datensatz
- Datenstruktur, Datenqualität und Feature-Engineering einführen
Machine Learning Grundwissen für AI Engineer
- Supervised Learning verständlich erklärt: Modelle der Regression und Klassifikation
- Modellevaluation mit Accuracy, Precision, Recall und F1-Score
- Modelltraining mit Scikit-Learn anhand von realistischen Datensätzen
- Mini-Projekt: Erstes Machine Learning Modell zu einem Business Case
Deep Learning und Generative AI Basiswissen
- Verständnis für neuronale Netze: Aufbau und Trainingsschritte
- Bild- und Textverarbeitung Grundlagen mit CNNs und NLP
- Prompt Engineering für Chatbots und generative KI Projekte
- Clustering und Dimensionsreduktion mittels K-Means, PCA und t-SNE
Statistische Analyse für AI Engineers in Ausbildung
- Deskriptive und inferentielle Statistik für die Modellierung
- Arbeiten mit Wahrscheinlichkeitsverteilungen und Signifikanztests
- Einbeziehung statistischer Prinzipien im Kon-teinte-stnehmenxt maschineller Lernverfahren
- Verbindung von Statistik mit Data Science und künstlicher Intelligenz
Data Engineering & Modellbereitstellung für den Einstieg
- Grundlagen der Datenarchitektur und Pipeline-Erstellung mit Prefect
- Einführung in Docker für die Containerisierung von ML-Modellen
- Grundlagen von CI/CD für professionelles KI-Projekt-Handling
- Langfristige Stabilität von KI-Lösungen durch Monitoring und Wartung
Praktisches Projekt: Anwendung von AI Engineering
- Capstone-Projekt für den vollständigen AI Engineering Workflow
- Von der Datenaufnahme bis zur Modellbereitstellung
- Teamarbeit aus der Perspektive eines AI Engineer
- Kommunikation, Präsentation und Dokumentation der KI-Lösung