Kontakt aufnehmen

Schulungsübersicht

1. Einführung in das KI-Engineering

  • Was ist KI-Engineering?
  • KI vs. Maschinelles Lernen vs. Deep Learning
  • Der Lebenszyklus des KI-Engineerings
  • Anwendung von KI in verschiedenen Branchen
  • Rollen und Verantwortlichkeiten eines KI-Ingenieurs

2. Grundlagen der künstlichen Intelligenz

  • Kernkonzepte und Terminologie der KI
  • Überwachtes, unüberwachtes und verstärkendes Lernen
  • Grundlagen neuronaler Netze und Deep Learning
  • Überblick über generative KI und Foundation Models
  • KI-Entwicklungsökosysteme und Frameworks

3. Python für das KI-Engineering

  • Wichtige Python-Bibliotheken für die KI
  • NumPy, Pandas und Matplotlib
  • Datenmanipulation und Visualisierung
  • Umgang mit Jupyter Notebooks
  • Schreiben wiederverwendbarer KI-Code

4. Datenvorbereitung für die KI

  • Sammlung und Verständnis von Datensätzen
  • Datenbereinigung und Vorverarbeitung
  • Feature Engineering
  • Feature-Skalierung und Normalisierung
  • Aufteilung von Datensätzen in Trainings-, Validierungs- und Testdaten
  • Umgang mit fehlenden Werten und Ausreissern

5. Grundlagen des Maschinellen Lernens

  • Regression-Algorithmen
  • Klassifizierungsalgorithmen
  • Clustering-Techniken
  • Workflow zur Modellschulung
  • Bewertungsmaße für Modelle
  • Vermeidung von Überanpassung und Unteranpassung

6. Erstellung von KI-Modellen mit TensorFlow und PyTorch

  • Einführung in TensorFlow
  • Einführung in PyTorch
  • Erstellung neuronaler Netze
  • Schulung und Validierung von Modellen
  • Speichern und Laden von Modellen
  • Vergleich beider Frameworks

7. Grundlagen der Verarbeitung natürlicher Sprachen (NLP)

  • Vorverarbeitung von Text
  • Word Embeddings
  • Textklassifizierung
  • Sentiment-Analyse
  • Einführung in Transformer-Modelle
  • Praktische NLP-Anwendungen

8. KI in der Softwareentwicklung

  • Integration von KI in bestehende Anwendungen
  • Anbindung von KI-Diensten über APIs
  • Entwicklung KI-gestützter Anwendungen
  • KI-unterstützte Entwicklungstools für die Softwareentwicklung
  • Testing von KI-fähigen Anwendungen

9. Best Practices im KI-Engineering

  • Projektorganisation
  • Versionskontrolle mit Git
  • Experimentverfolgung
  • Modellversionierung
  • Dokumentationsstandards
  • Reproduzierbarkeit in KI-Projekten

10. Bereitstellung von KI-Modellen

  • Modellserialisierung
  • Erstellung von Inferenzdiensten
  • REST-APIs für KI-Modelle
  • Einführung in Docker für die KI-Bereitstellung
  • Überwachung bereitgestellter Modelle
  • Instandhaltung und Updates der Modelle

11. Data Engineering für die KI

  • Daten-Pipelines
  • ETL-Prozesse (Extrahieren, Transformieren, Laden)
  • Verwaltung strukturierter und unstrukturierter Daten
  • Speichermöglichkeiten für Daten
  • Datenqualitätsmanagement
  • Vorbereitung produktionsreifer Datensätze

12. Verantwortungsvolle und ethische KI

  • KI-Voreingenommenheit und Fairness
  • Erklärbare KI (XAI)
  • Datenschutz und Datensicherheit
  • Sicherheitsaspekte der KI
  • Verantwortungsvolle Entwicklung von KI
  • Regulatorische und Governance-Aspekte

13. Projektmanagement für KI

  • Lebenszyklus von KI-Projekten
  • Agile Methoden für KI-Projekte
  • Zusammenarbeit zwischen technischen und geschäftlichen Teams
  • Kostenschätzung für KI-Projekte
  • Risikomanagement
  • Erfolgsmessung von Projekten

14. Praktisches KI-Engineering-Workshop und Zukunftstrends

  • Aufbau eines kompletten KI-Entwicklungsarbeitsflusses
  • Erstellung eines durchgehenden ML-Projekts
  • Schulung und Evaluierung eines Modells mit TensorFlow oder PyTorch
  • Bereitstellung einer einfachen KI-Anwendung
  • Aktuelle Trends im KI-Engineering
  • Generative KI und Gross Sprachmodelle (LLMs)
  • MLOps und Automatisierung von KI
  • Karrierewege und lebenslanges Lernen
  • Zusammenfassung, Q&A und nächste Schritte

Voraussetzungen

  • Grundlegende Programmierkonzepte
  • Erfahrung mit der Python-Programmierung
  • Vertrautheit mit grundlegender Statistik und linearer Algebra

Zielgruppe

  • KI-Ingenieur:innen
  • Softwareentwickler:innen
  • Datenanalyst:innen
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien