AI Engineer

Grundlagen Data Engineering und Datenarchitekturen (ca. 2 Tage)

Aufgaben und Anwendungsfelder im Data Engineering 

Grundlagen moderner Datenarchitekturen und Datenplattformen 

Grundlagen und Vergleich cloudbasierter Datenarchitekturen
OLTP und OLAP 

Verarbeitung strukturierter, semistrukturierter und unstrukturierter Daten

Anforderungsmanagement und Datenmodellierung (ca. 1 Tag)

Anforderungen an Daten und Datenquellen 

Konzeptionelle Datenmodellierung 

Modellierung von Datenstrukturen und Datenflüssen

Data Contracts, Data Governance und Data Lineage

Datenbanken und Datenverarbeitung (ca. 1 Tag)

Architektur von Datenbanksystemen 

SQL vs. NoSQL vs. NewSQL im Vergleich
Relationale Datenmodellierung 

SQL zur Abfrage und Verarbeitung von Daten

Data Warehousing und moderne Datenarchitekturen (ca. 2 Tage)

Grundlagen und Architektur von Data-Warehouse-Systemen 

Dimensionale Datenmodellierung und Schema-Design 

Fakten, Dimensionen und historische Datenhaltung 

Data Warehouse, Data Lake und Lakehouse im Vergleich 

Einführung in dbt
Praxisorientierte Umsetzung von Datenmodellen

Datenintegration und Data Pipelines (ca. 5 Tage)

Datenintegration und Datenbereitstellung 

ETL- und ELT-Prozesse 

Aufbau und Orchestrierung von Data Pipelines 

Datenbereinigung, -validierung und Datenqualität 

Batch- und Streaming-Verarbeitung
Praxisorientierter Einsatz von Airflow und Spark

Programmierung und automatisierte Datenverarbeitung (ca. 4 Tage)

Python-Umgebungen und Paketverwaltung
Verarbeitung und Transformation von Daten mit Python 

Automatisierung von Datenverarbeitungsprozessen 

Anbindung unterschiedlicher Datenquellen und Schnittstellen
Entwicklung von Data-Engineering-Workflows 

Containerisierung mit Docker
KI-gestützte Unterstützung im Entwicklungs- und Datenverarbeitungsprozess

Projektarbeit (ca. 5 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Einführung in Machine Learning und ML-Workflow (ca. 3 Tage)
Grundlagen, Anwendungsbereiche und Arten des Machine Learning 

Einordnung moderner KI- und Machine-Learning-Verfahren 

Machine-Learning-Workflow mit scikit-learn 

Trainings-, Validierungs- und Testdaten 

Underfitting, Overfitting und Modellevaluation 

Cross Validation

Datenaufbereitung und Feature Engineering (ca. 2 Tage)

Datenqualität und Datenvorverarbeitung
Skalierung, Normalisierung und Kodierung 
Feature Engineering und Feature Selection 
Umgang mit fehlenden Werten, Ausreißern und unausgeglichenen Datensätzen

Überwachtes Lernen – Regression und Klassifikation (ca. 5 Tage)

Regressions- und Klassifikationsverfahren 

Lineare und regularisierte Modelle 

Distanz-, wahrscheinlichkeits- und baumbasierte Verfahren 

Ensemble- und Boosting-Verfahren 

Modellvergleich und Hyperparameteroptimierung 

Evaluationsmetriken und probabilistische Vorhersagen

Feature Importance und Explainable AI 

Unüberwachtes Lernen (ca. 2 Tage)

Dimensionsreduktion und Merkmalsextraktion 

Clusterverfahren und Bewertung von Clustering-Ergebnissen 

Anomalieerkennung

Zeitreihenanalyse und Prognosen (ca. 1 Tag)

Grundlagen und Analyse von Zeitreihendaten 

Prognoseverfahren und Machine Learning für Zeitreihen

Neuronale Netze und moderne KI (ca. 2 Tage)

Grundlagen neuronaler Netze und Deep Learning 

Machine Learning für Textdaten und Natural Language Processing 

Foundation Models, Large Language Models und generative KI

Bereitstellung von ML-Modellen (ca. 1 Tag)

Speicherung und Bereitstellung trainierter Modelle 

Entwicklung einfacher ML-Anwendungen 

Schnittstellen und Plattformen für Machine-Learning-Modelle

Projektarbeit (ca. 4 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Einführung Deep Learning (ca. 1 Tag)

Deep Learning als eine Art von Machine Learning

Grundlagen in neuronalen Netzen (ca. 4 Tage)

Multilayer-Perzeptronen

Berechnung neuronaler Netze

Optimierung der Modellparameter, Backpropagation

Deep-Learning-Bibliotheken

Regression vs. Klassifikation

Typische Loss- und Aktivierungsfunktionen

Mit Metriken die Modellprognose bewerten

Regressions- und Klassifikationsmetriken

Lernkurven, Überanpassung und Regularisierung

Hyperparameteroptimierung

L1/12-Regularisierung

Dropout

Early-Stopping

Stochastischer Gradientenabstieg (SGD)

Momentum, Adam Optimizer

Optimierung der Lernrate

Dynamische Lernraten-Anpassung

Reduce Learningrate on Plateau

Lernraten-Optimierung mit dem TensorBoard

Mit Callbacks den Fitprozess steuern

Modelle speichern und laden

Convolutional Neural Network (CNN) (ca. 2 Tage)

Bildklassifizierung

Convolutional‐Schichten, Pooling‐Schichten

Reshaping‐Schichten, Flatten, Global‐Average‐Pooling

CNN‐Architekturen ImageNet‐Competition

Tiefe neuronale Netze, Vanishing Gradients, Skip‐Verbindungen, Batch‐Normalization

Transfer Learning (ca. 1 Tag)

Anpassen und Kombinieren von Modellen

Unüberwachtes Vortrainieren

Image‐Data‐Augmentation, Explainable AI

Dataloader

Regional CNN (ca. 1 Tag)

Objektlokalisierung

Semantische Segmentierung

Regressionsprobleme

Verzweigte neuronale Netze

YOLO-Architektur

U-Net-Modelle

Methoden der kreativen Bilderzeugung (ca. 1 Tag)

Generative Adversarial Networks (GAN) 

Deepfakes

Diffusionsmodelle

Superresolution

Bildbereiche ergänzen

Foundations Models von Hugging Face anwenden

Multimodale Modelle

LoRA-Fine-Tuning

Anwendungsgebiete generativer Modelle

Rechtliche Einschränkungen

Recurrente neurale Netze (ca. 2 Tage)

Sequenzanalyse

Rekurrente Schichten

Backpropagation through time (BPTT)

Analyse von Zeitreihen

Exploding und Vanishing Gradient Probleme

LSTM (Long Short‐Term Memory)

GRU (Gated Recurrent Unit)

Deep RNN

Deep LSTM

Textverarbeitung durch neuronale Netze (ca. 2 Tage)

Text-Preprocessing

Embedding-Schichten

Text-Klassifizierung

Sentimentanalyse

Natural Language Processing (NLP)

Übersetzungen

Textgeneration

Seqence-to-Sequence-Verfahren, Encoder-Decoder-Architektur

Encoder-Only- und Decoder-Only-Modelle

Lokale Anwendung von Large Language Models

Sprachmodelle (ca. 1 Tag)

Transfomer Architektur

Attention und Multihead-Attention

Positional Encodings

Fine-Tuning großer Sprachmodelle

Prompting

Textgeneration-Pipelines 

Summarization 

Chatbots

Retrieval Augmented Generation

KI-Agenten

Deep Reinforcement Learning (ca. 1 Tag)

Steuerung dynamischer Systeme

Agentensysteme

Training durch Belohnungen

Policy Gradients

Deep‐Q‐Learning

Bayes'sche neuronale Netze (ca. 1 Tag)

Unsicherheiten in neuronalen Netzen

Statistische Bewertung von Prognosen

Konfidenz, Standardabweichung

Unbalancierte Daten

Sampling‐Methoden

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Einführung in Reinforcement Learning (ca. 1 Tag) 

Definition und grundlegende Konzepte

Unterschiede zu anderen Lernmethoden

Anwendungsbereiche und Beispiele

Markov Decision Processes (MDPs) (ca. 2 Tage)

Definition und Eigenschaften von MDPs

Value-Funktionen und Policy

Bellman-Gleichungen

Dynamic Programming Ansatz

Q-Learning (ca. 2 Tage)

Definition und Algorithmus

Exploration vs. Exploitation

Konvergenz- und Optimierungseigenschaften

Anwendungen in Spielen, Robotik und anderen Bereichen

Deep Reinforcement Learning (ca. 3 Tage)

Deep Q-Learning

Deep Deterministic Policy Gradients (DDPG)

Actor-Critic-Methoden

Policy Gradient-Methoden

Fortgeschrittene Themen (ca. 4 Tage)

Model-Based Reinforcement Learning

Multi-Agent Reinforcement Learning

Inverse Reinforcement Learning

Meta Reinforcement Learning

Praktische Anwendungen (ca. 3 Tage)

Implementierung von Reinforcement Learning Algorithmen

Anwendung auf ausgewählte Probleme und Fallstudien

Evaluation und Tuning der Algorithmen

Zusammenfassung und Ausblick (ca. 2 Tage)

Zusammenfassung der wichtigsten Konzepte und Ergebnisse

Herausforderungen und zukünftige Entwicklungen in Reinforcement Learning

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse