Kursdetail

Erweitertes Machine Learning

Skalierbare AI-Systeme, Deep Learning und MLOps
Entwickle fortgeschrittene Machine-Learning- und Deep-Learning-Systeme, die über einzelne Modelle hinausgehen. Der Kurs verbindet moderne Modellarchitekturen mit MLOps, Deployment, Monitoring und systemorientierter Umsetzung – für produktionsnahe AI-Lösungen mit klarer Architektur und nachvollziehbaren Workflows.
Kurse vergleichen
Advanced-AI-Kurs anfragen
Problem Solving
AI Engineering
Expert-Level
Workshop · Inhouse

Kursüberblick

Advanced AI verstehen – systemorientiert, skalierbar und produktionsnah

Dieser Kurs zeigt, wie aus fortgeschrittenen Machine-Learning-Modellen robuste AI-Systeme entstehen. Du lernst, Deep Learning, skalierbares Training, MLOps, Deployment und Monitoring zu einem durchgängigen Systemansatz zu verbinden.

Dauer

5 Tage, optional erweiterbar auf 8 Tage mit Cloud, Kubernetes, Advanced NLP und Generative-AI-Modulen.

Format

Workshop- oder Inhouse-Format mit Theorie, praktischen Labs, Architekturarbeit und Abschlussprojekt.

Vorkenntnisse

Fortgeschrittene ML-Erfahrung mit Python, scikit-learn, pandas, Modelloptimierung, Pipelines und grundlegenden Deployment-Konzepten.

Tools

PyTorch, TensorFlow/Keras, Hugging Face Transformers, MLflow, Prefect/Airflow, DVC, FastAPI, Docker, Evidently AI und Git.

Geeignet für

  • Data Scientists und Entwickler mit fortgeschrittener Machine-Learning-Erfahrung
  • ML Engineers, die Modelle in skalierbare und produktionsnahe Systeme überführen möchten
  • Teams, die Deep Learning, MLOps, Deployment und Monitoring strukturierter verbinden wollen
  • Technische Rollen, die AI-Systeme nicht nur trainieren, sondern betreiben, überwachen und weiterentwickeln möchten

Das lernst du

  • Deep-Learning-Modelle für Bilder, Text und komplexe Datenstrukturen entwerfen und trainieren
  • Transformer-Architekturen und moderne NLP-Workflows mit Hugging Face einordnen und anwenden
  • skalierbare Trainingsprozesse, Feature Stores und effiziente Datenpipelines verstehen
  • Experimente, Modelle und Daten mit MLflow, Prefect/Airflow und DVC reproduzierbar organisieren
  • Modelle mit FastAPI und Docker als produktionsnahe Services bereitstellen
  • Monitoring, Drift-Erkennung und Modellinterpretierbarkeit in AI-Systeme integrieren

Kursaufbau

Fünf Tage.
Von Deep Learning zum produktionsnahen AI-System.

Der Kurs verbindet fortgeschrittene Modellierung mit Systemarchitektur und MLOps. Die Inhalte führen von Deep Learning über skalierbare Workflows bis zu Deployment, Monitoring und einem integrierten Abschlussprojekt.

01

Deep Learning & Modellarchitekturen

Deep-Learning-Grundlagen mit PyTorch oder TensorFlow, neuronale Netze, CNNs für Bilddaten, NLP-Grundlagen und erste Modelle für komplexere Datenstrukturen.

02

Transformer & skalierbares Training

Transformer-Architekturen, BERT-Workflows mit Hugging Face, effiziente Datenverarbeitung, Feature Stores und Trainingsstrategien für größere Datensätze.

03

MLOps & Reproduzierbarkeit

Experiment Tracking mit MLflow, Workflow-Orchestrierung mit Prefect oder Airflow, Daten- und Modellversionierung mit DVC sowie reproduzierbare ML-Projektstrukturen.

04

Deployment, Monitoring & Abschlussprojekt

Modelle mit FastAPI und Docker bereitstellen, Drift und Modellleistung überwachen, Interpretierbarkeit integrieren und ein produktionsnahes AI-System im Abschlussprojekt umsetzen.
Die vollständige 5-Tage-Struktur kann bei Bedarf auf 8 Tage erweitert werden, z. B. mit Cloud-Skalierung, Kubernetes, Advanced NLP, Recommendation Systems und Generative-AI-Anwendungen.

Praxis & Outcome

AI-Systeme entwickeln statt nur Modelle trainieren

Der Kurs endet mit einem Abschlussprojekt, in dem du fortgeschrittene Modelle, MLOps-Komponenten, Deployment und Monitoring zu einem integrierten AI-System verbindest – von der Architektur bis zur dokumentierten Umsetzung.

Mögliche Projektpfade

Intelligentes Dokumentenverarbeitungssystem mit Klassifikation und Information Extraction

Deep-Learning-Modell für Bildklassifikation mit Transfer Learning

NLP-System mit Transformer-Modell für Textklassifikation oder Entity Extraction

MLOps-Pipeline mit MLflow, DVC, FastAPI, Docker und Monitoring

Nach dem Kurs kannst du

  • Deep-Learning-Modelle für Bild-, Text- und komplexe Datenaufgaben strukturieren
  • moderne AI-Architekturen wie CNNs, Transformer und Autoencoder besser einordnen
  • ML-Experimente, Daten, Modelle und Pipelines reproduzierbar organisieren
  • Modelle als APIs bereitstellen und in containerisierte Workflows überführen
  • Monitoring, Drift-Erkennung und Interpretierbarkeit in produktionsnahe AI-Systeme integrieren
  • technische Entscheidungen in AI-Systemen anhand von Skalierbarkeit, Wartbarkeit und Nutzen begründen

Ziel ist nicht nur ein leistungsfähiges Modell, sondern die Fähigkeit, fortgeschrittene AI-Systeme stabil, nachvollziehbar und produktionsnah zu entwickeln.

Enthalten

Materialien für deinen Lernprozess

PDF-Kurshandbuch

Code-Beispiele und Projektvorlagen

Beispiel-Workflows für Deep Learning und MLOps

Vorlagen für Architektur- und Deployment-Dokumentation

Vorlage für das Abschlussprojekt inkl. Feedback

Abschlusszertifikat

Nächster Schritt

Bereit, Advanced AI produktionsnah umzusetzen?

Ob als Vertiefung nach professionellen ML-Workflows, für technische Teams oder als Einstieg in produktionsnahe AI-Systeme – wir helfen dir, den passenden Kursstart und das richtige Format zu finden.

Advanced-AI-Kurs anfragen
Alle Kurse ansehen