- Überblick zu Maschinelles Lernen, KI Engineering und Data Science
- Verständnis des End-to-End Prozesses von Maschinellem Lernen Projekten
- Unterscheidung zwischen traditionellen Data Science Rollen und dem Machine Learning Engineer Beruf
- Einbindung von Python, AI und Deployment im modernen KI Engineering
Python-Essentials für Machine Learning Engineers
- Grundlegende Python-Konzepte für zukünftige Machine Learning Engineers
- Objektorientierte Programmierung für skalierbare KI Engineering Systeme
- Versionsmanagement und Teamarbeit mit Git & GitHub
- Python Tools für Künstliche Intelligenz Anwendungen und production-ready Maschinelles Lernen
Datenauswertung & Feature Engineering für AI Engineering
- Analyse und Verarbeitung von Daten mit Pandas und SQL
- Datenvisualisierung als Basis für KI Engineering Entschlüsse
- Feature Engineering zur Optimierung von Machine Learning Engineer Modellen
- EDA-Projekt: Praxisnahe Datenvorbereitung im Künstliche Intelligenz Bereich
Überwachtes Maschinelles Lernen in der AI Engineering Praxis
- Regressions- und Klassifikationsverfahren für Machine Learning Engineer Anwendungen
- Implementierung von Random Forest, SVM und Boosting Methode
- Modellbewertung mit Precision, ROC, AUC und F1 für vorausschauendes KI Engineering
- Algorithmenvergleich aus der Perspektive eines Machine Learning Engineers
Unüberwachtes Lernen & Deep Learning für KI-Projekte
- Clustering-Methoden wie K-Means und DBSCAN
- Dimensionsreduktion mit PCA, t-SNE - Visualisierung als Machine Learning Engineer
- Kernkenntnisse in neuronalen Netzwerken & Deep Learning im KI Engineering-Prozess
- Generative AI, CNNs und NLP: Realistische Tools für KI-unterstützte Systeme
Statistik für Maschinelles Lernen Engineers
- Statistische Prinzipien zugeschnitten auf Machine Learning Engineers
- Statistische Tests, Verteilungen und Inferenz zur Sicherung von KI Modellen
- Fehleranalyse und Validierung in KI Engineering Projekten
- Praktische statistische Anwendungen in produktionsnahen Maschinellen Lernen Projekten
Daten Engineering & Produktionreife ML-Lösungen
- Erstellung skalierbarer Datenpipelines - wesentliche Fähigkeit für jeden Machine Learning Engineer
- Docker und Prefect: Technology Stack in modernem AI Engineering
- CI/CD und Deployment-Strategien im MLOps-Rahmen
- Cloud-Lösungen zur Operationalisierung von AI Lösungen
Modellüberwachung & MLOps im AI Engineering Kontext
- Überwachung und Drift-Erkennung mittels Prometheus & Grafana
- MLOps-Ansätze zur Pflege und Evolution durch Machine Learning Engineers
- Automatisierte Wiedertrainierung und Alarmmanagement - wichtige Methoden im KI Engineering
- Kombination von Modellen, Infrastruktur und Überwachung im Betrieb
Capstone-Projekt: Machine Learning Engineering in der Praxis
- End-to-End Projekt für aufstrebende Machine Learning Engineers
- Analysetechniken, Feature Engineering, Modellierung und API-Einbindung
- Anwendung bewährter AI Engineering Methoden und Projektmanagement
- Entwicklung eines einsatzbereiten Prototyps im Team - vom Modell zur realen KI-Lösung