AI300: AI Technology Implementer UPDATE

Agenda:

• Python und Datenaufbereitung
  

  • Python-Grundlagen für die Datenarbeit: Syntax, Datentypen und Funktionen

  • Arbeiten mit interaktiven Notebooks und Bibliotheken

  • Daten aus CSV- und Excel-Dateien einlesen

  • Daten mit Pandas untersuchen, zusammenführen und transformieren

  • Fehlende Werte, Duplikate und inkonsistente Datentypen behandeln

  • Einfache Visualisierungen erstellen und interpretieren

  • Hands-on-Lab: Rohdaten in eine analysierbare und verlässliche Datenbasis überführen
    
    

• Machine Learning in der Praxis

  • Grundlagen und typische Anwendungsfälle von Klassifikation und Regression

  • Der Machine-Learning-Workflow vom Use Case bis zur Bewertung

  • Daten in Trainings-, Validierungs- und Testdaten aufteilen

  • Daten vorbereiten und Modelle mit scikit-learn trainieren

  • Reproduzierbare Workflows mit Pipelines umsetzen

  • Baselines definieren und geeignete Bewertungsmetriken auswählen

  • Modelle vergleichen und Ergebnisse interpretieren

  • Overfitting und Data Leakage erkennen und vermeiden

  • Hands-on-Lab: Ein Machine-Learning-Modell entwickeln, bewerten und gezielt verbessern
    
    

• Deep Learning und Generative AI

  • Grundprinzipien neuronaler Netze und Transformer

  • Vortrainierte Modelle und Transfer Learning praktisch einordnen

  • Foundation Models über eine API oder Modell-Pipeline nutzen

  • Grundlagen des Promptings und strukturierter Modellausgaben

  • Einführung in Embeddings, semantische Suche und Retrieval-Augmented Generation (RAG)

  • Klassisches ML, RAG und Fine-Tuning sinnvoll voneinander abgrenzen

  • Qualität und Risiken realistisch bewerten: Halluzinationen, Bias, Datenschutz, Prompt Injection, Kosten und Rechenbedarf

  • Hands-on-Lab: Einen einfachen End-to-End-KI-Prototyp konzipieren und umsetzen sowie nächste Schritte für das eigene Arbeitsumfeld ableiten

Ziele:

Nach Beendigung des Workshops AI300 AI Technology Implementer können die Teilnehmer:

• grundlegende Datenaufgaben mit Python und Pandas selbstständig bearbeiten und vorhandenen Python-Code nachvollziehen

• Daten aus typischen Quellen einlesen, vereinheitlichen, bereinigen und auf Plausibilität prüfen

• den grundlegenden Machine-Learning-Workflow praktisch anwenden

• Modelle trainieren, vergleichen und mit geeigneten Metriken bewerten

• typische Fehler wie Overfitting und Data Leakage erkennen

• die Grundprinzipien von Deep Learning, Transformer- und Foundation-Modellen erklären

• vortrainierte Modelle und einfache RAG-Ansätze praktisch einsetzen

• unterscheiden, wann klassisches ML, RAG oder Fine-Tuning passt

• Nutzen, Datenbedarf, Aufwand, Kosten und Risiken eines KI-Anwendungsfalls realistisch einschätzen

Zielgruppe:

Das Training AI300 AI Technology Implementer richtet sich an:

• Einsteiger in Python mit Datenfokus: Data Analysts, BI/Reporting, (Junior) Data Science, (Junior) Data Engineering

• Fachbereiche, die Daten selbst bearbeiten/auswerten möchten (z. B. Controlling, Operations, Marketing Analytics)

• Produkt-/Projektrollen, die KI Vorhaben besser verstehen, einschätzen und begleiten möchten

• Technisch interessierte Fachkräfte, die einen praxisnahen Einstieg in Machine Learning und Generative AI suchen

Voraussetzungen:

Für die Teilnahme am Kurs AI300 AI Technology Implementer sind keine speziellen Vorkenntnisse erforderlich.

Ein grundlegendes Verständnis für Daten und digitale Arbeitsprozesse ist hilfreich, aber keine Voraussetzung. Alle benötigten Python-Grundlagen werden im Kurs kompakt und praxisnah vermittelt. Der Kurs ist ein Hands-on-Training: Die Teilnehmer programmieren an allen drei Tagen aktiv mit.

Beschreibung:

Der Kurs AI300 AI Technology Implementer vermittelt einen durchgängigen Einstieg in die praktische Arbeit mit Daten und künstlicher Intelligenz. Die Teilnehmer bereiten Daten mit Python auf, visualisieren sie und entwickeln darauf aufbauend ein erstes Machine-Learning-Modell. Anschließend lernen sie Deep Learning, Foundation Models und Retrieval-Augmented Generation an konkreten Anwendungen kennen.

Der didaktische Schwerpunkt liegt auf Hands-on-Lernen: Kurze fachliche Inputs wechseln sich mit angeleiteten Übungen, interaktiven Notebooks und realitätsnahen Mini-Cases ab. Lesbarer und reproduzierbarer Code, saubere Daten und ein verantwortungsvoller Umgang mit KI ziehen sich durch alle drei Tage. Dabei entsteht ein kleines Portfolio aus Datenanalyse, Machine-Learning-Pipeline und GenAI-Prototyp, das als Ausgangspunkt für eigene Anwendungsfälle dient.