KI & Agentic Coding

AI Bootcamp: Der Praxiseinstieg ins ML Engineering

Vom Notebook zum laufenden Modell: In fünf Lerntagen arbeitest du wie ein ML Engineer – Daten aufbereiten, Modelle trainieren und tracken, als FastAPI-Service in Docker ausliefern, mit CI/CD absichern und im Betrieb überwachen. Der Python-ML-Playground führt NumPy, Pandas und scikit-learn direkt im Browser aus; FastAPI, Docker, MLflow und GitHub Actions laufen als realistische Simulation. Am Freitag wählst du eine von fünf agentischen Capstone-Challenges.

Level: Fortgeschritten Online5 Lerntage Deutsch Teilnahmezertifikat

Lernziele

Was du lernst.

Daten mit EDA, Quality Checks und scikit-learn-Pipelines produktionsreif aufbereiten
Modelle per Cross-Validation vergleichen, tunen und mit MLflow nachvollziehbar tracken
Die richtige Metrik wählen: Precision, Recall, F1, ROC-AUC, MAE, R²
Modelle als validierende FastAPI-Services in schlanken, sicheren Docker-Images ausliefern
ML-Code mit Tests und GitHub Actions absichern, Drift erkennen und Alerts definieren
Ein End-to-End-Capstone präsentieren – inklusive Business-Impact und AGENTS.md

Ablauf

So ist der Kurs aufgebaut.

Tag 1 · ML Engineering & Data PreparationML-Lifecycle, Production-Challenges, EDA, Data Quality, Feature-Engineering-Pipeline.
Tag 2 · Training, Evaluation & Experiment TrackingCross-Validation, Metriken, GridSearchCV, MLflow, Feature Importance.
Tag 3 · Deployment mit FastAPI & DockerServing-Muster, joblib, FastAPI mit pydantic, Dockerfile-Best-Practices, Health-Checks.
Tag 4 · CI/CD, Monitoring & MLOpsML-Tests, GitHub Actions, Data Drift (PSI), Model Registry, Alerting-Regeln.
Tag 5 · Capstone & Freitags-ChallengeEnd-to-End-Pipeline, Portfolio, Storytelling – und eine von fünf agentischen Abschluss-Challenges.

Für wen?

Für Entwicklerinnen, Data Analysts und Quereinsteiger mit Python-Erfahrung, die Modelle nicht nur trainieren, sondern zuverlässig in Produktion bringen wollen.

Voraussetzungen

Python-Kenntnisse auf dem Niveau von Python Grundlagen, Grundbegriffe des Machine Learning (z. B. aus AI & ML Grundlagen). Für die Übungen genügt ein aktueller Browser.

Danach kannst du

Du baust eine ML-Pipeline von den Daten bis zur überwachten API, dokumentierst sie portfolio-tauglich und weißt, wie du Coding-Agents mit klaren Leitplanken dabei einsetzt.

FAQ

Häufige Fragen zu AI Bootcamp.

Muss ich Python, Docker oder MLflow installieren?

Nein. Python mit NumPy, Pandas und scikit-learn läuft über Pyodide direkt im Browser. FastAPI, Docker, MLflow und GitHub Actions sind realistisch simuliert, inklusive typischer Logs und Fehlermeldungen.

Brauche ich eine GPU?

Nein. Der Kurs arbeitet mit Tabellendaten und klassischen Modellen – alles läuft auf einem normalen Rechner.

Wie viele Übungen gibt es?

15 Übungen mit automatischer Prüfung der Lernziele, 5 Quiz-Sprints und 5 agentische Freitags-Challenges zur Wahl.

Bekomme ich ein Zertifikat?

Ja, ein Teilnahmezertifikat mit Inhalten und Lernumfang.

Kostenlos

Der CLAUDE.md-Spickzettel.

Vorlage, Regeln und häufige Fehler auf zwei Seiten – dazu etwa zwei Praxis-Tipps im Monat. Jederzeit abbestellbar.

Passt auch