AI Modeling Bootcamp Remote

In der ersten Woche legst du den Grundstein für deine Reise in die Welt der künstlichen Intelligenz. Du lernst den Umgang mit der Bash-Konsole, Versionskontrolle mit Git & GitHub sowie die Basics von Python in Kombination mit NumPy, Pandas und Matplotlib. Du analysierst und visualisierst Daten, entwickelst erste Hypothesen und führst eine explorative Datenanalyse durch – abgeschlossen mit einem Mini-Projekt im Team.

Du tauchst ein in die Welt des maschinellen Lernens mit Fokus auf Klassifikationsprobleme. Neben einem Überblick über KI, Machine Learning und Deep Learning lernst du die Grundlagen des Supervised Learnings kennen. Du entwickelst ein Klassifikationsmodell mit scikit-learn, verbesserst deine Modelle durch Feature Engineering und Hyperparameter-Tuning und evaluierst sie mit gängigen Metriken. Dein Projekt: ein Vorhersagemodell zur Überlebenschance auf der Titanic.

Diese Woche konzentriert sich auf Regressionsmodelle im Supervised Learning. Du arbeitest mit Zeitdaten, setzt lineare Regression und Regularisierung ein und lernst Methoden zur Vermeidung von Overfitting kennen. Der Gradientenabstieg wird als zentrales Lernprinzip behandelt. Ergänzt wird alles durch fundiertes Arbeiten mit Python-Funktionen – in einem Projekt, das reale Nachfrageprognosen für Bikesharing simuliert.

In Woche 4 vertiefst du dein Wissen mit Entscheidungsbäumen, Random Forests sowie Bagging- und Boosting-Methoden wie XGBoost. Du setzt dich mit Ensemble-Techniken, Klassengleichgewicht und Modellvergleich auseinander. Im Bereich des Unsupervised Learnings lernst du Clusterverfahren wie K-Means und hierarchisches Clustering kennen und setzt PCA zur Dimensionsreduktion ein – alles angewandt auf reale Business Cases.

Diese Woche widmet sich dem Deep Learning: Du lernst den Aufbau künstlicher neuronaler Netze kennen und implementierst diese mit TensorFlow und Keras. Themen wie Backpropagation, Trainingsstrategien und Convolutional Neural Networks stehen im Fokus. Mit Transfer Learning entwickelst du ein Bildklassifizierungsmodell, das auf bestehenden Deep-Learning-Architekturen aufbaut.

In der letzten Woche stehen Sprache und moderne Sprachmodelle im Mittelpunkt. Du lernst klassische NLP-Verfahren wie Tokenisierung, TF-IDF und Sentimentanalyse kennen und tauchst ein in moderne LLMs wie BERT und GPT. Mit RAG, Fine Tuning und Libraries wie LangChain entwickelst du eigene AI-Agenten – etwa einen intelligenten FAQ-Bot oder ein Analyse-Tool.