Machine Learning Engineering

Beschreibung Kursinhalte Ausbildungsform Förderung

Kursbeschreibung

Worum es in diesem Kurs geht

Machine Learning Engineers bringen Modelle dorthin, wo sie Wert schaffen: in den produktiven Einsatz. Diese 16-wöchige Weiterbildung schließt genau die Lücke zwischen Data Science und Software Engineering. Die Teilnehmenden lernen, besseren Code für Data-Science-Projekte zu schreiben, zuverlässige Datenpipelines für Batch- und Echtzeitverarbeitung aufzubauen und Modelle über den gesamten Lebenszyklus zu betreiben – von Testverfahren und Containerisierung über Bereitstellungsstrategien bis zu Monitoring und Alerting.

Ein eigener Schwerpunkt gilt modernen KI-Systemen: LLM-Architekturen, Embeddings und Vektorsuche, Retrieval-Augmented Generation, Fine-Tuning und agentenbasierte Systeme mit Frameworks wie LangChain – inklusive Bereitstellung als FastAPI-Dienst in der Cloud. Vorausgesetzt werden sichere Python-Kenntnisse, fundiertes Data-Science-Wissen und Sicherheit in Zahlen, Algebra und Statistik.

Schwerpunkte

Produktionsreifer Code — Softwareentwicklung mit Python, Git und objektorientierter Programmierung – und der Weg vom Data-Science-Notebook zu produktionsreifem Code.

Data Engineering — Daten aus Datenbanken und APIs beziehen, mit dbt modellieren und Pipelines mit Prefect aufbauen – für Batch-Verarbeitung wie Streaming.

MLOps komplett — Der gesamte Machine-Learning-Lebenszyklus: Testverfahren, Containerisierung, Bereitstellungsstrategien sowie Monitoring und Wartung im Produktivbetrieb.

LLM-Systeme & LLM Ops — RAG-Pipelines, Fine-Tuning und Agenten-Systeme entwickeln – und als FastAPI-Dienste mit Docker auf Google Cloud Run bereitstellen.

Der rote Faden der Weiterbildung ist der Weg in die Produktion: Jede Phase beantwortet eine Frage, die sich in realen ML-Projekten stellt – von „Wie wird aus meinem Notebook wartbarer Code?“ über „Wie kommen die Daten zuverlässig ins Modell?“ bis zu „Wie merke ich, wenn mein Modell im Betrieb schlechter wird?“.

Ergebnis: Im Abschlussprojekt entwerfen, implementieren und überwachen die Teilnehmenden im Team ein komplettes Machine-Learning-System für ein reales Problem – mit Präsentation und Live-Demonstration. Danach beherrschen sie das Handwerk, ML- und LLM-Systeme zuverlässig und langfristig zu betreiben.

Inhaltsplan

Der vollständige Kursplan

Öffnen Sie die Module für die Details – oder rufen Sie den vollständigen Kursplan auf und laden Sie ihn als PDF herunter.

Vollständigen Kursplan öffnen Kursplan als PDF herunterladen

1Phase 1: Software Engineering

Softwareentwicklungsmethoden und ihr Bezug zur Datenwissenschaft: besseren Code für Data-Science-Projekte schreiben.
Softwareentwicklung mit Python – Programmierung, Arbeit mit Git und objektorientierte Programmierung.
Die Lücke zwischen dem üblichen Data-Science-Workflow und produktionsreifem Code schließen.

2Phase 2: Data Engineering

Datenarchitekturen für Batch- und Echtzeit-Datenverarbeitung kennenlernen und Daten aus Datenbanken und APIs beziehen.
Datenmodellierung mit dbt und Datenpipelines mit Prefect aufbauen.
Eine Feature-Engineering-Pipeline in der Cloud für das eigene Data-Science-Projekt einrichten.

3Phase 3: MLOps – ML Engineering

Den Lebenszyklus des maschinellen Lernens verstehen und Data-Science-Produkte in die Produktion überführen.
Testverfahren für Machine-Learning-Systeme anwenden.
Bereitstellungsstrategien und Containerisierung praktisch umsetzen.

4Phase 4: MLOps – Model Monitoring & Alerting

Machine-Learning-Produkte im Produktiveinsatz zuverlässig und langfristig betreiben.
Bereitgestellte Modelle überwachen und warten.
Alerting einrichten, damit Qualitätsverluste früh auffallen.

5Phase 5: Aufbau von KI-Systemen

LLM-Architekturen, Embeddings, Vektorsuche und Prompt Engineering verstehen.
Retrieval-Augmented-Generation-Pipelines (RAG) aufbauen sowie kleine Modelle feinabstimmen und evaluieren.
Agentenbasierte Systeme mit Frameworks wie LangChain, PydanticAI und MCP entwerfen.

6Phase 6: LLM Ops – Einsatz von KI-Systemen

LLM-Anwendungen als FastAPI-Dienste entwickeln und mit Docker containerisieren.
KI-Systeme auf Google Cloud Run bereitstellen.
Monitoring und Observability integrieren und vollständige RAG- und Agenten-Pipelines von Anfang bis Ende bereitstellen.

7Phase 7: Capstone-Projekt

Im Team ein komplettes Machine-Learning-System für ein reales Problem entwerfen, entwickeln, implementieren und überwachen.
Best Practices aus Softwareentwicklung, Data Engineering, ML Engineering, Modellüberwachung und LLM-Entwicklung anwenden.
Abschlusspräsentation mit Live-Demonstration der eigenen Lösung.

Ausbildungsform

So läuft die Weiterbildung ab

Diese Weiterbildung findet als Live-Unterricht in Vollzeit statt: montags bis freitags von 09:00 bis 18:30 Uhr, zu 100 % remote und in kleinen Gruppen. Die Inhalte werden in Echtzeit gemeinsam mit den Dozentinnen und Dozenten erarbeitet – mit durchgehender Projektarbeit und direktem Feedback.

Die Weiterbildung wird auf Englisch und auf Deutsch angeboten. Vorausgesetzt werden sichere Python-Kenntnisse, fundiertes Data-Science-Wissen sowie Sicherheit im Umgang mit Zahlen, Algebra und Statistik.

100 % Remote

Ortsunabhängige Teilnahme – ganz ohne Reise- und Ausfallzeiten.

Vollzeit

In Vollzeit mit festen Kurszeiten – kompakt und fokussiert zum Abschluss.

Zertifikat

Abschließend erhält man ein zertifiziertes Zertifikat.

100 %

Finanziert über den Bildungsgutschein

Keine Kosten bei erfüllten Fördervoraussetzungen
Wir übernehmen die komplette Beantragung
Unverbindliche Prüfung Ihrer Förderfähigkeit

Bildungsgutschein beantragen

Für den Mittelstand gemacht

Passt perfekt zu kleinen & mittleren Unternehmen

Diese Weiterbildung entwickelt Ihre Mitarbeitenden – und damit Ihr Unternehmen: als Hebel für neue Marktchancen und nachhaltiges Wachstum.

Mitarbeiter entwickeln

Zukunftskompetenzen aufbauen, Fachkräfte binden und motivieren.

Unternehmen stärken

Effizientere Prozesse und mehr Wettbewerbsfähigkeit im Markt.

Neue Märkte erschließen

Mit neuen Kompetenzen Angebote, Kanäle und Zielgruppen erschließen.

Wachstum sichern

Nachhaltiges Wachstumspotenzial durch moderne Arbeitsweisen.

Stimmen unserer Kunden

Was unsere Kunden sagen

Die Zusammenarbeit mit IBF war jederzeit sehr professionell und zuverlässig. Besonders hervorzuheben sind die schnelle Kommunikation, die kompetente Unterstützung sowie die lösungsorientierte Arbeitsweise. Anliegen wurden stets zeitnah bearbeitet und man hat sich jederzeit gut betreut gefühlt. Vielen Dank für die angenehme Zusammenarbeit – absolut empfehlenswert!

Ozan AladagDinlok Group GmbH

Wir haben mit dem IBF Institut rund um Nic Moradi und Steven Ulbricht sehr gute Erfahrungen gemacht. Die Zusammenarbeit war von Anfang an professionell, strukturiert und gleichzeitig sehr persönlich. Die beiden haben wirklich einen starken Job gemacht und uns aktiv dabei unterstützt, die passenden Lösungen für unsere Situation zu finden. Man merkt einfach, dass hier nicht nur verkauft wird, sondern dass echtes Interesse an nachhaltigen Ergebnissen besteht.

Bruno von SperlingFinanzen mit Konzept UG

Wir arbeiten mit dem IBF – Institut für Bildungs- & Fördermanagement bereits seit einiger Zeit zusammen und sind rundum zufrieden. Die Kommunikation ist schnell, unkompliziert und vor allem lösungsorientiert. Besonders positiv sind die Zuverlässigkeit und die Flexibilität bei individuellen Anforderungen. Wir können das Institut definitiv weiterempfehlen.

Boldizsár TóthTBR GmbH & Co. KG

Kompetente Betreuung der Planungsphase für unsere Weiterbildungsmaßnahme. Sehr sympathisch und lösungsorientiert, gute Erreichbarkeit – gerne wieder.

Andre HollexTemplex Personal & Service GmbH

Hervorragende Expertise und maximale Unterstützung! Besonders beeindruckt hat uns die komplette Übernahme der Bürokratie: Die Förderprozesse wurden schnell, reibungslos und für uns völlig stressfrei abgewickelt. Die Kommunikation war jederzeit – auch am Feiertag oder am Wochenende – transparent, schnell und sehr herzlich. Wir können das IBF von ganzem Herzen empfehlen.