KI-Engineering-Meisterschaft: Von der Python-Programmierung bis zu produktionsreifen KI-Systemen Schulung

Modul 1: Kern-Python für ML-Workflows

• Einstieg in den Kurs und Einrichtung der Umgebung
Ziele abstecken und ein reproduzierbares Python-ML-Arbeitsumfeld aufbauen

• Wesentliche Elemente der Python-Sprache (Fast-Track)
Syntax, Kontrollfluss, Funktionen und Muster, die häufig in ML-Codebasen verwendet werden

• Datenstrukturen für ML
Listen, Dictionaries, Sets und Tupels für Features, Labels und Metadaten

• Comprehensions und funktionale Werkzeuge
Transformationen durch Comprehensions und Higher-Order-Funktionen ausdrücken

• Objektorientiertes Python für ML-Entwickler
Klassen, Methoden, Komposition und praktische Designentscheidungen

• Dataclasses und leichtgewichtiges Modellieren
Getypete Container für Konfiguration, Beispiele und Ergebnisse

• Decorators und Context Manager
Muster zur Timing-Messung, Caching, Protokollierung und ressourcenschonender Ausführung

• Arbeit mit Dateien und Pfaden
Robuste Datenmengenverarbeitung und Serialisierungsformate

• Ausnahmen und defensives Programmieren
ML-Skripte schreiben, die sicher und transparent fehlschlagen

• Modules, Packages und Projektstruktur
Wiederverwendbare ML-Codebasen organisieren

• Typisierung und Codequalität
Type Hints, Dokumentation und lint-freundliche Struktur

Modul 2: Numerisches Python, SciPy und Datenverarbeitung

• NumPy-Grundlagen für vektorisierte Berechnungen
Effiziente Array-Operationen und performanzbewusstes Codieren

• Indexing, Slicing, Broadcasting und Formen
Sichere Tensor-Manipulation und Formreasoning

• Lineare Algebra-Grundlagen mit NumPy und SciPy
Stabile Matrixoperationen und Zerlegungen, die in der ML verwendet werden

• Tiefgehende Einführung in SciPy
Statistik, Optimierung, Kurvenanpassung und dünnbesetzte Matrizen

• Pandas für tabellarische ML-Daten
Bereinigen, Verbinden, Aggregieren und Vorbereiten von Datensätzen

• Tiefgehende Einführung in scikit-learn
Schätzer-Schnittstelle, Pipelines und reproduzierbare Workflows

• Grundlagen der Visualisierung
Diagnostische Plots zur Datenerkundung und zum Modellverhalten

Modul 3: Programmiermuster für den Aufbau von ML-Anwendungen

• Vom Notebook zum wartbaren Projekt
Explorativen Code in strukturierte Packages umgestalten

• Konfigurationsverwaltung
Externe Parameter und Startvalidierung

• Logging, Warnungen und Beobachtbarkeit
Strukturiertes Logging für debugbare ML-Systeme

• Wiederverwendbare Komponenten mit OOP und Komposition
Erweiterbare Transformer und Predictoren entwerfen

• Praktische Design-Patterns
Pipeline-, Factory- oder Registry-, Strategy- und Adapter-Patterns

• Datenvalidierung und Schemaprüfungen
Stille Datenprobleme verhindern

• Performance und Profiling
Engpässe identifizieren und Optimierungstechniken anwenden

• Modell-Ein-/Ausgabe und Inferenz-Schnittstellen
Sichere Persistenz und saubere Vorhersage-Schnittstellen

• End-to-End-Mini-Build
ML-Pipeline im Produktionsstil mit Konfiguration und Logging

Modul 4: Statistisches Lernen für tabellarische, Text- und Bilddaten

• Grundlagen der Evaluation
Train-/Validierungs-Splits, ehrliche Kreuzvalidierung und geschäftsorientierte Metriken

• Fortgeschrittenes tabellarisches ML
Regularisierte GLMs, Baum-Ensembles und Leakage-freie Vorverarbeitung

• Kalibrierung und Unsicherheit
Platt-Skalierung, isotone Regression, Bootstrap und konforme Vorhersage

• Klassische NLP-Methoden
Tokenisierung-Trade-offs, TF-IDF, lineare Modelle und Naive Bayes

• Topic Modeling
LDA-Grundlagen und praktische Grenzen

• Klassisches Computer Vision
HOG, PCA und feature-basierte Pipelines

• Fehleranalyse
Bias-Erkennung, Label-Rauschen und falsche Korrelationen

• Praktische Labore
Leakage-freie tabellarische Pipeline
Vergleich und Interpretation von Text-Baselines
Klassische Vision-Baseline mit strukturierter Fehleranalyse

Modul 5: Neuronale Netze für tabellarische, Text- und Bilddaten

• Meisterschaft des Trainingsloops
Saubere PyTorch-Schleifen mit AMP, Clipping und Reproduzierbarkeit

• Optimierung und Regularisierung
Initialisierung, Normalisierung, Optimierer und Scheduler

• Gemischte Genauigkeit und Skalierung
Gradientenakkumulation und Checkpointing-Strategien

• Tabellarische neuronale Netze
Kategoriale Embeddings, Feature-Crosses und Abstudien

• Text-neuronale Netze
Embeddings, CNNs, BiLSTM oder GRU und Sequenzbehandlung

• Vision-neuronale Netze
CNN-Grundlagen und ResNet-ähnliche Architekturen

• Praktische Labore
Wiederverwendbares Trainingsframework
Vergleich tabellarischer NN vs. Boosting
CNN mit Augmentation und Scheduling-Experimenten

Modul 6: Fortgeschrittene neuronale Architekturen

• Transfer-Learning-Strategien
Freeze- und Unfreeze-Muster, diskriminative Lernraten

• Transformer-Architekturen für Text
Internes Self-Attention und Fine-Tuning-Ansätze

• Vision-Backbones und Dense Prediction
ResNet, EfficientNet, Vision Transformer und U-Net-Konzepte

• Fortgeschrittene tabellarische Architekturen
TabTransformer, FT-Transformer und Deep-and-Cross Networks

• Zeitreihen-Überlegungen
Zeitliche Splits und Erkennung von Kovariatenverschiebungen

• PEFT und Effizienztechniken
LoRA, Distillation und Quantisierungs-Trade-offs

• Praktische Labore
Fine-Tuning vortrainierter Text-Transformer
Fine-Tuning vortrainiertes Vision-Modell
Vergleich Tabellarischer Transformer vs. GBDT

Modul 7: Generative KI-Systeme

• Grundlagen des Promptings
Strukturiertes Prompting und kontrollierte Generierung

• Grundlagen der LLMs
Tokenisierung, Instruction Tuning und Vermeidung von Halluzinationen

• Retrieval-Augmented Generation (RAG)
Chunking, Embeddings, Hybrid-Suche und Evaluationsmetriken

• Fine-Tuning-Strategien
LoRA und QLoRA mit Datenqualitätskontrollen

• Diffusionsmodelle
Intuition hinter Latent Diffusion und praktische Anpassung

‥ Synthetische tabellarische Daten
CTGAN und Datenschutzüberlegungen

• Praktische Labore
RAG-Mini-Applikation im Produktionsstil
Validierung strukturierter Ausgabe mit Schema-Durchsetzung
Optionale Diffusions-Experimente

Modul 8: KI-Agenten und MCP

• Design des Agenten-Loops
Beobachten, Planen, Handeln, Reflektieren und Persistenz

• Architekturen für Agenten
ReAct, Plan-and-Execute und Multi-Agent-Koordination

• Speicherbereichsmanagement
Episodischer, semantischer und Scratchpad-Ansätze

• Werkzeugintegration und Sicherheit
Tool-Verträge, Sandboxing und Verteidigung gegen Prompt-Injection

• Evaluationsframeworks
Replayable Traces, Task-Suites und Regressionstests

• MCP und protokollbasierte Interoperabilität
Entwurf von MCP-Servern mit sicherer Tool-Exposition

• Praktische Labore
Einen Agenten von Grund auf bauen
Tools über einen MCP-ähnlichen Server exponieren
Evaluation-Harness mit Sicherheitsbeschränkungen erstellen