AI Engineering Mastery: Von der Python-Engineering zu productionsreifen KI-Systemen Schulung

Modul 1: Kern-Python für ML-Workflows

• Kurseröffnung und Umgebungseinrichtung
Ausrichten der Ziele und Einrichten eines reproduzierbaren Python-ML-Arbeitsbereichs

• Grundlagen der Python-Sprache (Fast-Track)
Überprüfung von Syntax, Kontrollfluss, Funktionen und Mustern, die häufig in ML-Codebasen verwendet werden

• Datenstrukturen für ML
Listen, Dictionaries, Sets und Tupels für Features, Labels und Metadaten

• Comprehensions und funktionale Werkzeuge
Transformationen mit Comprehensions und Higher-Order-Funktionen ausdrücken

• Objektorientiertes Python für ML-Entwickler
Klassen, Methoden, Komposition und praktische Designentscheidungen

• dataclasses und leichtgewichtiges Modellieren
Typisierte Container für Konfigurationen, Beispiele und Ergebnisse

• Decorators und Context Manager
Timing, Caching, Logging und Mustern für ressourcensichere Ausführungen

• Arbeit mit Dateien und Pfaden
Robuste Handhabung von Datensätzen und Serialisierungsformate

• Exceptions und defensives Programmieren
ML-Skripte schreiben, die sicher und transparent fehlschlagen

• Modules, Packages und Projektstruktur
Organisation wiederverwendbarer ML-Codebasen

• Typisierung und Codequalität
Type Hints, Dokumentation und lint-freundliche Struktur

Modul 2: Numerisches Python, SciPy und Datenhandhabung

• NumPy-Grundlagen für vektorisierte Berechnungen
Effiziente Array-Operationen und performancesensibles Coding

• Indizierung, Slicing, Broadcasting und Formen
Sichere Tensor-Manipulation und Form-Denken

• Lineare Algebra-Grundlagen mit NumPy und SciPy
Stabile Matrixoperationen und Zerlegungen, die in ML verwendet werden

• SciPy Deep Dive
Statistik, Optimierung, Kurvenanpassung und sparse Matrizen

• Pandas für tabellarische ML-Daten
Bereinigen, Verbinden, Aggregieren und Vorbereiten von Datensätzen

• scikit-learn Deep Dive
Estimator-Schnittstelle, Pipelines und reproduzierbare Workflows

• Visualisierungsgrundlagen
Diagnostische Plots für Datenexploration und Modellverhalten

Modul 3: Programmiermuster zum Aufbau von ML-Anwendungen

• Vom Notebook zum wartbaren Projekt
Refactoring von explorativem Code in strukturierte Packages

• Konfigurationsverwaltung
Externe Parameter und Startvalidierung

• Logging, Warnungen und Observability
Strukturiertes Logging für debugbare ML-Systeme

• Wiederverwendbare Komponenten mit OOP und Komposition
Entwerfen erweiterbarer Transformer und Predictor

• Praktische Design Patterns
Pipeline-, Factory-, Registry-, Strategy- und Adapter-Patterns

• Datenvalidierung und Schema-Checks
Verhindern stiller Datenprobleme

• Performance und Profiling
Identifizieren von Engpässen und Anwenden von Optimierungstechniken

• Modell-E/A und Inference-Schnittstellen
Sichere Persistenz und saubere Prediction-Schnittstellen

• End-to-End Mini-Build
Produktionsartige ML-Pipeline mit Konfiguration und Logging

Modul 4: Statistisches Lernen für Tabellarische, Text- und Bilddaten

• Grundlagen der Evaluierung
Trainings- und Validierungsaufteilungen, ehrliche Kreuzvalidierung und geschäftsorientierte Metriken

․ Fortgeschrittenes tabellarisches ML
Regularisierte GLMs, Tree Ensembles und Leakage-freie Preprocessing

․ Kalibrierung und Unsicherheit
Platt-Skalierung, Isotone Regression, Bootstrap und konforme Vorhersage

․ Klassische NLP-Methoden
Tokenisierung-Abwägungen, TF-IDF, lineare Modelle und Naive Bayes

․ Topic Modeling
LDA-Grundlagen und praktische Einschränkungen

․ Klassische Computer Vision
HOG, PCA und feature-basierte Pipelines

․ Fehleranalyse
Bias-Erkennung, Label-Rauschen und scheinbare Korrelationen

․ Praxisübungen
Leakage-freie tabellarische Pipeline
Text-Baseline-Vergleich und Interpretation
Klassische Vision-Baseline mit strukturierter Fehleranalyse

Modul 5: Neuronale Netze für Tabellarische, Text- und Bilddaten

․ Trainings-Loop-Mastery
Saubere PyTorch-Loops mit AMP, Clipping und Reproduzierbarkeit

․ Optimierung und Regularisierung
Initialisierung, Normalisierung, Optimizer und Scheduler

․ Mische Präzision und Skalierung
Gradient Accumulation und Checkpointing-Strategien

․ Tabellarische Neuronale Netze
Kategorische Embeddings, Feature-Crosses und Ablationsstudien

․ Text-Neuronale Netze
Embeddings, CNNs, BiLSTM oder GRU und Sequenzbehandlung

․ Vision-Neuronale Netze
CNN-Grundlagen und ResNet-ähnliche Architekturen

․ Praxisübungen
Wiederverwendbarer Trainingsframework
Vergleich tabellarisches NN vs. Boosting
CNN mit Augmentierung und Scheduling-Experimente

Modul 6: Fortgeschrittene Neuronale Architekturen

․ Transfer Learning Strategien
Frozen- und Unfrozen-Muster, diskriminative Lernraten

․ Transformer-Architekturen für Text
Self-Attention-Innereien und Fine-Tuning-Ansätze

․ Vision-Backbones und Dichte Vorhersagen
ResNet, EfficientNet, Vision Transformer und U-Net-Konzepte

․ Fortgeschrittene tabellarische Architekturen
TabTransformer, FT-Transformer und Deep & Cross Networks

․ Zeitreihen-Betrachtungen
Zeitliche Aufteilungen und Covariate Shift-Erkennung

․ PEFT und Effizienztechniken
LoRA, Distillation und Quantisierungsabwägungen

․ Praxisübungen
Fine-Tuning von vortrainiertem Text-Transformer
Fine-Tuning von vortrainiertem Vision-Modell
Tabellarischer Transformer vs. GBDT-Vergleich

Modul 7: Generative KI-Systeme

․ Prompting-Grundlagen
Strukturiertes Prompting und kontrollierte Generierung

․ LLM-Grundlagen
Tokenisierung, Instruction Tuning und Halluzinationsminderung

․ Retrieval-Augmented Generation
Chunking, Embeddings, hybride Suche und Evaluierungsmetriken

․ Fine-Tuning-Strategien
LoRA und QLoRA mit Datenqualitätskontrollen

․ Diffusionsmodelle
Latenz-Diffusionsintuition und praktische Anpassung

․ Synthetische tabellarische Daten
CTGAN und Datenschutzaspekte

․ Praxisübungen
Produktionsartige RAG-Mini-Anwendung
Gültigkeitsprüfung strukturierter Ausgaben mit Schemadurchsetzung
Optionale Diffusions-Experimente

Modul 8: KI-Agenten und MCP

․ Agenten-Loop-Design
Beobachten, Planen, Handeln, Reflektieren und Persistieren

․ Agenten-Architekturen
ReAct, Plan-and-Execute und Multi-Agent-Koordination

․ Speicheradministration
Episodischer, semantischer und Scratchpad-Ansätze

․ Tool-Integration und Sicherheit
Tool-Verträge, Sandboxing und Prompt-Injection-Abwehr

․ Evaluierungsframeworks
Replaybare Traces, Task-Suites und Regressionstests

․ MCP und protokollbasierte Interoperabilität
Entwerfen von MCP-Servern mit sicherer Tool-Belichtung

․ Praxisübungen
Einen Agenten von Grund auf bauen
Tools via MCP-ähnlichem Server belichten
Evaluierungs-Harness mit Sicherheitsbeschränkungen erstellen