AI Engineering Weiterbildung

Die Studierenden werden mit der Struktur und den Erwartungen des Kurses vertraut gemacht. Sie lernen, ihr Lernen zu organisieren, Zeit und Stress zu bewältigen und eine Denkweise zu entwickeln, die ihre berufliche Weiterentwicklung fördert. Ein erster Überblick über die IT-Branche hilft ihnen, ihr zukünftiges Arbeitsumfeld zu verstehen, während erste Schritte in der Karriereentwicklung und im Personal Branding ihnen helfen, langfristige Ziele zu setzen. Eine spezielle Einheit zum verantwortungsvollen Umgang mit KI-Tools bereitet die Studierenden darauf vor, KI durchdacht in ihr Lernen zu integrieren. Die technische Einrichtung stellt sicher, dass alle startklar sind.

Die Studierenden erlernen die grundlegenden Fähigkeiten für die Arbeit in der Unix-Shell. Sie wiederholen außerdem die Grundlagen der Programmiersprache Python und schreiben und führen ihre ersten kleinen Programme aus. Durch die Nutzung von Git und GitHub werden sie direkt in die moderne, kollaborative Arbeitsweise der Branche eingeführt, einschließlich der Versionsverwaltung von Code sowie der gemeinsamen Bearbeitung der Codebasis mit anderen durch Konzepte wie Branching und Pull Requests.

Aufbauend auf den Grundlagen von Phase 1 lernen die Studierenden Werkzeuge zur Extraktion und Bearbeitung von Daten aus verschiedenen Quellen wie Dateien und Datenbanken kennen. Hierfür verwenden sie SQL und Pandas. Nach praktischen Übungen zur Datenmanipulation erstellen sie deskriptive Analysen mithilfe verschiedener Plotbibliotheken und -typen. Diese Phase schließt mit einem zweitägigen Projekt zur explorativen Datenanalyse (EDA) ab, in dem die Studierenden mit einem realen Datensatz arbeiten. Stets mit Blick auf den Business Case entwickeln sie für ihren simulierten Stakeholder Empfehlungen und aussagekräftige Visualisierungen, die auf dessen Bedürfnisse zugeschnitten sind.

Dieser Abschnitt behandelt die Grundlagen überwachten maschinellen Lernens, insbesondere Regression und Klassifizierung. Die Studierenden lernen verschiedene Algorithmen kennen, darunter lineare und logistische Regression sowie Entscheidungsbäume. Neben den algorithmischen und statistischen Details werden auch der Anwendungsbereich und die Annahmen der jeweiligen Modelle erläutert. Die Bedeutung der Modellevaluierung und die damit verbundenen Abwägungen beim Erstellen von Vorhersagemodellen werden besonders hervorgehoben. Die Studierenden wenden ihre erlernten Fähigkeiten in Gruppenarbeit an einem viertägigen Projekt an, das den gesamten Data-Science-Lebenszyklus abdeckt. Gemeinsam definieren sie Meilensteine, bewerten den Wert ihrer Datenprodukte und sammeln dabei Erfahrung in der Zusammenarbeit mit Git und GitHub. Abschließend präsentieren die Studierenden ihre Ergebnisse den Stakeholdern.

Aufbauend auf grundlegenden Kenntnissen statistischer Lernverfahren und der zugehörigen Softwareimplementierung vertiefen die Studierenden ihr Verständnis von Prognosetechniken für Zeitreihen. Angesichts der zunehmenden Verbreitung ungelabelter Daten ist es wichtig, auch die Herausforderungen des unüberwachten Lernens zu meistern. Die Studierenden erhalten eine Einführung in Dimensionsreduktions- und Clustering-Verfahren. Um ein grundlegendes Verständnis der heute oft als KI bezeichneten Konzepte zu erlangen, werden ihnen künstliche neuronale Netze vorgestellt. Der Aufbau eines eigenen tiefen neuronalen Netzes von Grund auf vertieft ihr Verständnis der zugrundeliegenden Prozesse und Konzepte. Auch typische Anwendungsbereiche wie die Verarbeitung natürlicher Sprache und gängige verwandte Techniken wie Transferlernen werden behandelt.

Um die erlernten Fähigkeiten zu festigen und die Gruppenarbeit und Zusammenarbeit weiter zu fördern, bietet das Abschlussprojekt den Rahmen und die Zeit, ein größeres Data-Science-Problem von Anfang bis Ende zu bearbeiten. Studierende haben die Möglichkeit, selbstständig ein Problem zu finden, indem sie öffentlich verfügbare Datensätze nutzen oder mit Daten eines unserer Partnerunternehmen arbeiten. In Teams von drei bis vier Personen erarbeiten und präsentieren sie eine Lösung für das jeweilige Problem. Dadurch wenden sie nicht nur ihr erworbenes Wissen über technische Themen und agile Methoden an, sondern erweitern auch ihre Kompetenzen entsprechend den Anforderungen ihrer Projekte.

Schließe die Lücke zwischen Data-Science-Notebooks und produktionsreifem Code. Konzentriere dich auf sauberen Code, objektorientierte Programmierung (OOP) und Tests.

Schließe deine Software-Grundlagen mit Docker ab und beginne mit Data Engineering, indem du lernst, Daten zuverlässig zu verschieben und zu modellieren.

Meistere die Workflow-Orchestrierung und verstehe den Unterschied zwischen Batch- und Echtzeit-Datenverarbeitung.

Übergang von der Modellierung zur Produktion. Erlerne Strategien für Verhaltenstests und die Bereitstellung von ML-Systemen.

Automatisiere die Bereitstellung von ML-Software mithilfe von Docker und Continuous Integration/Continuous Deployment (CI/CD)-Pipelines.

Sorge für die Funktionsfähigkeit der Produktionssysteme, indem du die Serviceleistung und die Modellverschlechterung überwachst.

Simuliere einen vollständigen MLOps-Zyklus und beginne den Übergang zum Large Language Model (LLM) Engineering.

Kommuniziere effektiv mit LLMs und entwickle Retrieval-Augmented Generation (RAG)-Systeme.

Optimierung der LLM-Performance durch Fine-Tuning (LoRA/QLoRA) und Hybrid-RAG-Architekturen.

Erstelle autonome Agenten, die mithilfe von Werkzeugen komplexe Aufgaben anhand von Standardprotokollen lösen.

Finalisiere Agenten-Workflows und lerne, LLMs als skalierbare APIs bereitzustellen.

Stelle LLM-Anwendungen in der Cloud bereit und implementiere ein spezialisiertes Monitoring für GenAI .

Starte das Abschlussprojekt. Definiere das Problem, lege Erfolgskennzahlen fest und baue die Datenerfassungspipeline auf.

Wandle Daten in Merkmale um, trainiere Basismodelle und präsentiere erste Ergebnisse .

Automatisiere den Trainingsablauf und finalisiere die Produktionsarchitektur.

CI/CD abschließen, Dokumentation erstellen und das komplette End-to-End-System präsentieren.