AI+ Engineer Practitioner™

Wer KI nicht nur versteht, sondern wirklich anwenden kann, verändert, wie Technik heute gebaut wird. Dieser Kurs vermittelt genau das: tiefes Know-how, direkte Praxis und einen klaren Fokus auf modernes AI-Engineering.

Zentrale Themen

Entwicklung KI-gesteuerter Softwareelösungen
Aufbau und Automatisierung von ML-Pipelines
Skalierbare Systemarchitektur für KI-Modelle
Testen und Validieren von KI-Modellen
Aktuelle MLOps-Methoden und Deployment-Strategien

Voraussetzung
Python-Grundkenntnisse und Interesse an Automatisierung sind ein guter Einstieg – KI-Vorwissen ist nicht erforderlich.

Zielgruppe
Entwicklerinnen und Entwickler sowie IT-Fachleute, die ihre Arbeit um KI-Fähigkeiten erweitern und praxisrelevante Projekte realisieren möchten.

Wer diesen Kurs abschließt, kennt nicht nur die Theorie – sondern hat gelernt, KI-Systeme selbst zu bauen, zu testen und einzusetzen.

Kursinhalte

Einstieg in die Welt der KI

Was KI ist und wie sie sich entwickelt hat
Grundlegende Techniken und Konzepte der KI
Ethische Aspekte beim Einsatz von KI

Überblick über KI-Systeme und ihre Architektur

KI-Anwendungsbereiche und ihre Besonderheiten
Aufbau und Komponenten von KI-Architekturen
Phasen im KI-Entwicklungszyklus
Übung: Einrichten einer einfachen KI-Entwicklungsumgebung

Wie neuronale Netze funktionieren

Funktion und Bedeutung von Aktivierungsfunktionen
Lernmechanismen: Backpropagation und Optimierung
Übung: Aufbau eines neuronalen Netzes mit einem Deep-Learning-Framework

Neuronale Netze in der Praxis

Neuronale Netze für Computer Vision und Bildanalyse
Sequenzmodelle für zeitliche und sprachliche Daten
Umsetzung neuronaler Netze in realen Projekten

Große Sprachmodelle verstehen und einsetzen

Funktionsweise und Potenzial von LLMs
Verbreitung und Einsatzgebiete populärer Sprachmodelle
Fine-Tuning: Sprachmodelle gezielt anpassen
Beispielprojekt: Feinabstimmung für Textklassifizierung

Generative KI – Modelle und Anwendungen

Grundlagen und Aufbau von GANs (Generative Adversarial Networks)
Variational Autoencoder (VAEs) und ihre Einsatzbereiche
Synthetische Datenerzeugung mit generativen Modellen
Übung: Generative Modelle für Bildgenerierung implementieren

NLP: Sprache verstehen und verarbeiten

NLP-Methoden und ihre Einsatzfelder in echten Projekten
Transformerarchitekturen und Attention-Mechanismen
BERT und seine Stärken für NLP-Aufgaben
Übung: NLP-Pipelines mit vortrainierten Modellen aufbauen

Transfer Learning mit Hugging Face umsetzen

Was Transfer Learning ist und wofür es eingesetzt wird
Techniken und Strategien für effektives Transferlernen
Übung: Hugging-Face-Modelle für verschiedene Aufgaben anpassen

GUIs für KI-Anwendungen entwickeln

Arten und Einsatzszenarien von GUIs in KI-Projekten
Webbasierte Frameworks für KI-Oberflächen
Desktop-Frameworks für KI-Anwendungen

KI-Ergebnisse kommunizieren und Modelle deployen

KI-Erkenntnisse verständlich für nicht-technische Zielgruppen aufbereiten
Deployment-Pipelines für KI-Modelle planen und umsetzen
Prototypen auf Basis konkreter Anforderungen entwickeln
Übung: Deployment-Prozess durchführen

Optionales Modul: KI-Agenten im Engineering

Aufbau und Wirkungsweise von KI-Agenten
Fallbeispiele aus dem Engineering-Kontext
Übungen: KI-Agenten entwickeln und testen

Jetzt kostenlos beraten lassen

Unsere Fördermaßnahmen gelten ausschließlich für Teilnehmende mit Wohn- oder Arbeitssitz in Deutschland.
Eine Förderung außerhalb Deutschlands ist nicht möglich.

Für Berufseinsteiger, Arbeitsuchende, Quereinsteiger, Startups, Berufserfahrene, Aufsteiger, Spezialisten …