KI - KI Engineering basics

Einführung in Künstliche Intelligenz und AI Engineering -Grundverständnis von KI, AI Engineering und deren Rolle in modernen Unternehmen -Wichtige Begriffe und Technologien: Machine Learning, Data Science, Deep Learning -Unterschiede zwischen klassischen Softwareprojekten und KI-getriebenen Workflows -Überblick über den Lebenszyklus eines AI Produkts – von der Idee bis zur Überwachung im Betrieb Python und Software Engineering für Data Science -Erlernen von Python-Grundlagen für Datenanalyse und KI-Anwendungen -Nutzung der Kommandozeile und Automatisierung typischer Datenaufgaben -Einführung in Git & GitHub für Versionskontrolle im AI Engineering Team -Strukturierung von Code mit objektorientierten Programmierkonzepten Explorative Datenanalyse und Visualisierung -Manipulation und Analyse von Daten mit Pandas und SQL -Visualisierungstechniken mit Seaborn und Matplotlib zur Mustererkennung -EDA-Projekt: Anwendung auf reale Businessdaten zur Insight-Generierung -Datenbereinigung und Feature-Erstellung als Vorstufe für Machine Learning Grundlagen des Machine Learning -Supervised Learning mit Fokus auf lineare und logistische Regression -Einführung in Entscheidungsbäume, Random Forests und Support Vector Machines -Modellevaluierung mit Metriken wie Accuracy, Precision, Recall -Verwendung von Scikit-Learn zur Modellierung und Performancebewertung Deep Learning & Prompt Engineering -Basics künstlicher neuronaler Netzwerke und CNNs -NLP-Grundlagen und Zeitreihenanalyse (Intro) -Clustering und Dimensionsreduktion (PCA, t-SNE) -Einführung in Generative AI und Prompt Engineering Statistik für KI-Anwendungen -Deskriptive Statistik und explorative Analyse -Statistische Tests und Wahrscheinlichkeitsverteilungen für AI-Modelle -Rolle der Statistik in der Datenvalidierung und Modelloptimierung -Einbettung statistischer Methoden in Data Science Workflows Vertiefung: Recommender Systems und Clustering -Techniken wie K-Means, DBSCAN und hierarchisches Clustering -Entwicklung von Empfehlungssystemen mit Cosine Similarity und Matrixfaktorisierung -Optional: Anwendung von NLP-Methoden für intelligente Systeme -Integration von unsupervised Learning Methoden in AI Engineering Projekte Produktionsreife KI-Modelle -Einblick in den Aufbau von Datenpipelines mit Prefect -Verwendung von Docker zur Containerisierung von ML-Modellen -Grundlagen von CI/CD für kontinuierliche Bereitstellung -Monitoring & Retraining: ML-Modelle langfristig stabil halten Capstone Projekt: KI Engineering in Aktion -Umsetzung eines vollständigen AI-Projekts von der Datenakquise bis zum Deployment -Zusammenarbeit im Team zur Entwicklung produktionsreifer KI-Lösungen -Praxiseinsatz von Data Science, Machine Learning und AI Engineering -Kommunikation und Präsentation von Projektergebnissen an Stakeholder

Zielgruppe

-Arbeitssuchende, die sich weiterbilden möchten, um ihre Fähigkeiten zu erweitern und ihre Beschäftigungsfähigkeit auf dem hart umkämpften Arbeitsmarkt zu verbessern. -Arbeitssuchende, die ihre Chancen auf dem Arbeitsmarkt verbessern oder sich durch den Erwerb praktischer Kenntnisse für neue Aufgaben qualifizieren möchten. -Quereinsteiger, die sich in diesem Bereich neu orientieren und ihre Karrierechancen verbessern oder ihre Karriere durch den Erwerb spezialisierter Fähigkeiten vorantreiben möchten. -Menschen, die in Unternehmen, Agenturen und Beratungsfirmen arbeiten oder arbeiten wollen, die in diesem Bereich tätig sind -Menschen, die sich in diesem Bereich spezialisieren und sich solides praktisches Wissen aneignen wollen, um benutzerfreundliche, barrierefreie und effektive digitale Lösungen zu entwickeln.

Hinweise zur Prüfung und Zertifikat/Abschluss

Trägerzertifikat sowie Abschlussprojekt

Förderungsmöglichkeiten

ja

Teilnahmevorraussetzungen

-Motivation und Interesse an IT, Design und Softwareentwicklung -Gute Computerkenntnisse (PC/Mac) -Teilnahme an einer unverbindlichen Beratung

Preishinweis

Preis inkl. MwSt. undefined