Phase 1: Kursorientierung, Grundlagen & Python-Basiswissen
- Lernstrategien und Karriereplanung – mit Schwerpunkt auf dem verantwortungsvollen Einsatz von KI-Werkzeugen.
- Die Unix-Shell und die Grundlagen der Programmiersprache Python beherrschen.
- Kollaborative Arbeitsabläufe mit Git und GitHub: Branching, Pull Requests und Versionskontrolle.
Phase 2: Datenbeschaffung und -verwaltung
- Techniken zur Datenerfassung, zum Scraping und zur Datenspeicherung.
- Daten mit SQL effizient abfragen und strukturieren.
- Datenverarbeitung in verschiedenen Speicherarchitekturen verstehen.
Phase 3: Explorative Datenanalyse & fortgeschrittenes Python
- Intensive Arbeit mit den zentralen Analyse-Bibliotheken Pandas und NumPy sowie Datenvisualisierung.
- Technische Datenaufbereitung, statistische Analysen und Bereinigung von Datensätzen.
- Aus Daten erste belastbare Erkenntnisse gewinnen.
Phase 4: Klassisches maschinelles Lernen & wissenschaftliches Rechnen
- Die grundlegenden Konzepte des maschinellen Lernens verstehen.
- Modelle für überwachtes und unüberwachtes Lernen entwickeln und evaluieren – Regression, Klassifikation, Clustering.
- Mathematische und statistische Methoden auf wissenschaftliche Datenprobleme anwenden.
Phase 5: Datenprojekt für Fortgeschrittene
- Ein praxisorientierter Meilenstein in Teamarbeit: Data Science und Machine Learning in einem realen Szenario anwenden.
- Den gesamten Projektlebenszyklus durchlaufen – von den Rohdaten bis zu konkreten Erkenntnissen.
Phase 6: Fortgeschrittenes Deep Learning & Computer Vision
- Der Wechsel vom klassischen maschinellen Lernen zu fortgeschrittenen Deep-Learning-Architekturen.
- Die mathematischen Grundlagen künstlicher neuronaler Netze erlernen.
- Computer-Vision-Modelle mit modernen Frameworks wie TensorFlow und Keras entwickeln, um Bilddaten zu verarbeiten, zu klassifizieren und zu analysieren.
Phase 7: Generative KI, große Sprachmodelle & sequentielle Daten
- Natural Language Processing und die Modellierung sequenzieller Daten wie Zeitreihen.
- Mit Large Language Models arbeiten und Anwendungen für generative KI entwickeln.
- Fortschrittliche Werkzeuge wie Hugging Face produktiv einsetzen.
Phase 8: Machine Learning Engineering & modernes MLOps
- Modelle produktionsreif machen: Code in APIs verpacken und Anwendungen mit Docker containerisieren.
- Cloud-Deployments implementieren.
- MLOps-Pipelines für Modellüberwachung und Automatisierung einrichten – die Brücke zwischen Data Science und Software Engineering.
Phase 9: Abschlussprojekt
- Im Team ein vollständiges Machine-Learning-System für ein reales Problem entwerfen, implementieren, bereitstellen und überwachen.
- Bewährte Verfahren aus Software Engineering, Data Engineering, Machine Learning Engineering und LLM-Entwicklung anwenden.
- Abschlusspräsentation mit Live-Demonstration der eigenen Lösung.
