AI & ML Grundlagen Workshop: Vom Anfänger zum Experten
In 16 Wochen vom ersten NumPy-Array bis zum eigenen Capstone-Projekt: Mathematik und Python als Fundament, klassisches Machine Learning mit scikit-learn und XGBoost, neuronale Netze, CNNs, RNNs und Transformers, danach MLOps mit FastAPI, Docker, CI/CD und Monitoring – und zum Schluss Generative AI mit RAG, Agents und Responsible AI. Jeder Lerntag folgt dem Rhythmus 08:00–15:00 mit Theorie, Python-ML-Playground im Browser, Quiz-Sprint und Wrap-up; freitags wählst du eine von fünf agentischen Challenges. PyTorch, Keras, Hugging Face, MLflow, Docker und LLMs laufen als nachvollziehbare Kurs-Nachbauten – ohne Installation, ohne GPU, ohne API-Kosten.
Was du lernst.
- Lineare Algebra, Ableitungen, Wahrscheinlichkeit und Statistik mit NumPy, Pandas und SymPy anwenden
- Daten bereinigen, Features bauen und Modelle von linearer Regression bis XGBoost trainieren, tunen und fair bewerten
- Clustering, PCA und Anomalieerkennung einsetzen und produktionsreife Pipelines mit Optuna, MLflow und Feature Store bauen
- Neuronale Netze, CNNs, Transfer Learning, RNNs, LSTMs und Self-Attention verstehen und selbst umsetzen
- Modelle mit FastAPI, Docker, CI/CD, Monitoring und Drift-Erkennung in Produktion bringen
- LLMs, Prompt Engineering, RAG und Agents nutzen – mit Bias-Checks, Guardrails und Blick auf den EU AI Act
So ist der Kurs aufgebaut.
- Wochen 1–2 · Math & Python FoundationNumPy, Pandas, Visualisierung, lineare Algebra, Calculus, Wahrscheinlichkeit, Statistik, EDA.
- Wochen 3–4 · Classic MLData Cleaning, Feature Engineering, Cross-Validation, lineare und logistische Regression, Bäume, Random Forest, XGBoost, Metriken.
- Wochen 5–6 · Supervised Learning vertieftPolynomial Regression, Ridge/Lasso, Pipelines, Residuen, SVM, k-NN, Naive Bayes, unausgewogene Daten.
- Wochen 7–8 · Unsupervised & Production-Ready MLK-Means, DBSCAN, PCA, Isolation Forest, Custom Transformer, Optuna, joblib, MLflow, Feature Stores.
- Wochen 9–10 · Deep Learning & Computer VisionPerceptron, Backpropagation, MLP mit PyTorch/Keras, Convolution, CNNs, Transfer Learning, Augmentation.
- Wochen 11–12 · NLP & TransformersRNN, LSTM, Self-Attention, BERT vs. GPT, Tokenization, Embeddings, Hugging Face, RAG-Grundlagen.
- Wochen 13–14 · MLOpsServing, FastAPI, Docker, Logging, Health-Checks, CI/CD mit GitHub Actions, Monitoring, Drift, Model Registry.
- Wochen 15–16 · Generative AI, Ethics & CapstoneLLMs, Zero-/Few-Shot, Chain-of-Thought, RAG vertieft, Agents mit Tool-Calling, Fairness, EU AI Act, Capstone & Portfolio.
Für Einsteigerinnen und Einsteiger mit etwas Python-Erfahrung, Quereinsteiger, Entwicklerinnen und Fachkräfte, die Machine Learning von Grund auf systematisch lernen und bis zu Deep Learning, MLOps und Generative AI vertiefen wollen.
Python-Grundkenntnisse (z. B. aus Python Grundlagen) und Schulmathematik. Für die Lern-App genügt ein aktueller Browser – Python läuft per Pyodide direkt darin.
Du verstehst, wie ML-Modelle lernen, trainierst und bewertest sie sauber, bringst sie als Service in Produktion, setzt LLMs, RAG und Agents verantwortungsvoll ein und präsentierst ein eigenes Capstone-Projekt fürs Portfolio.
Diesen Kurs gibt es auch im Bundle.
Häufige Fragen zu AI & ML Grundlagen.
Muss ich etwas installieren?
Nein. NumPy, Pandas, scikit-learn, XGBoost, LightGBM und SymPy laufen echt im Browser (Pyodide). PyTorch, Keras, Hugging Face, MLflow, FastAPI, Docker und LLMs sind als Kurs-Nachbauten integriert, die echte Ergebnisse oder realistische Ausgaben liefern.
Brauche ich viel Mathe?
Schulmathematik reicht. Die ersten beiden Wochen bauen Lineare Algebra, Ableitungen, Wahrscheinlichkeit und Statistik Schritt für Schritt mit Python auf.
Wie viele Übungen gibt es?
176 Übungen mit automatischer Prüfung der Lernziele, 80 Quiz-Sprints und je Woche 5 agentische Freitags-Challenges zur Wahl.
Was kommt danach?
Zur Vertiefung passen das AI Bootcamp, der RAG-Kurs oder LLMOps & Deployment.
Der CLAUDE.md-Spickzettel.
Vorlage, Regeln und häufige Fehler auf zwei Seiten – dazu etwa zwei Praxis-Tipps im Monat. Jederzeit abbestellbar.