AI Engineer - Python, Machine Learning und Azure AI

Passt der Kurs zu dir?

1. 1
   Für das PCAP-Zertifikat gibt es keine formale Voraussetzung, das Python Institute empfiehlt aber vorher die Einstiegsprüfung PCEP.
2. 2
   Schulmathematik bis zu Prozentrechnung und Funktionen, wenn du in Richtung Datenanalyse oder Machine Learning gehst.
3. 3
   Ein Rechner, auf dem du Python, einen Code-Editor und Zusatzpakete selbst installieren darfst.

Das lernst du

1. 1
   Die Weiterbildung "AI Engineer - Python, Machine Learning und Azure AI" vermittelt praxisorientierte Kompetenzen für die Rolle als AI Engineer im Kontext moderner Daten- und KI-Anwendungen. Im Mittelpunkt stehen die Entwicklung, Implementierung und Anwendung von KI-Lösungen sowie grundlegende Konzepte rund um Machine Learning und automatisierte Systeme. Teilnehmende lernen, typische Aufgaben eines AI Engineer umzusetzen und KI-Modelle strukturiert zu entwickeln. Die Inhalte verbinden Python, Machine Learning und Cloud-Technologien und führen schrittweise an Themen wie intelligente Assistenzsysteme und erste Agenten-Konzepte heran. Ziel ist es, ein fundiertes Verständnis für die Tätigkeit als AI Engineer aufzubauen und KI-Anwendungen praxisnah umzusetzen. Bestandteil der Weiterbildung sind zudem Herstellerzertifikate von Microsoft, die Kompetenzen als AI Engineer formell bestätigen.
2. 2

   Die Weiterbildung ist modular aufgebaut und deckt zentrale Themen rund um AI Engineer und moderne KI-Anwendungen ab

   Data Science - Grundlagen Statistik und Data Mining: Einführung in grundlegende Methoden, die für die Arbeit als AI Engineer erforderlich sind.
   Moderne Datenanalyse mit SQL-Server: Verarbeitung von Daten als Grundlage für Machine Learning und KI-Anwendungen.
   Python für Data Science, Maschinelles Lernen & Visualisierung: Zentrales Werkzeug für den AI Engineer zur Entwicklung und Analyse von Modellen.
   AZ-900: Microsoft Azure Fundamentals: Einführung in Cloud-Grundlagen im Kontext der Arbeit als AI Engineer.
   AI-900: Microsoft Azure AI Fundamentals: Überblick über KI-Konzepte und deren Einsatzmöglichkeiten.
   DP-900: Microsoft Data Fundamentals: Datenkonzepte als Basis für Machine Learning und KI-Projekte.
   AI-103: Designing and Implementing a Microsoft Azure AI Solution: Umsetzung konkreter KI-Lösungen und typische Aufgaben eines AI Engineer mit Fokus auf Azure AI Services.
   Applied Skills: AI & Copilot: Praxisorientierte Anwendung von KI-Tools sowie Einblicke in moderne Assistenzsysteme.
   Kanban Foundation: Grundlagen agiler Methoden zur Organisation von KI-Projekten im Arbeitsfeld eines AI Engineer.
   IntelliLAB - AI Literacy: Vertiefung von KI-Grundlagen im praktischen Kontext.
   Bewerbungstraining: Vorbereitung auf Bewerbungen für Rollen als AI Engineer.
   Während der Weiterbildung werden die Aufgaben eines AI Engineer praxisnah vermittelt. Teilnehmende arbeiten mit Daten, entwickeln Modelle und setzen KI-Anwendungen in unterschiedlichen Szenarien um. Der Fokus liegt auf dem Zusammenspiel von Daten, Machine Learning und Cloud-Technologien. Übungen unterstützen den Aufbau von Kompetenzen in der Entwicklung und Anwendung von KI-Lösungen sowie im strukturierten Vorgehen als AI Engineer.

1. 1

   München

   12.10.2026 · Blended Learning · Vollzeit · 1–3 Monate · über 10.000 €

2. 2

   München

   12.10.2026 · Blended Learning · Teilzeit · 3–6 Monate · über 10.000 €

3. 3

   München

   07.12.2026 · Blended Learning · Vollzeit · 1–3 Monate · über 10.000 €

4. 4

   München

   07.12.2026 · Blended Learning · Teilzeit · 3–6 Monate · über 10.000 €

Förderwege

Wer deinen Kurs zahlt

Was dir die Qualifikation beruflich bringt

1. 1

   Routinearbeit per Skript erledigen

   Mit wenigen Zeilen Python benennst du Dateien um, liest Excel-Tabellen ein oder holst Daten aus Schnittstellen. Solche Skripte laufen später zeitgesteuert, ohne dass jemand sie anstößt. Beispiel: Du schreibst ein Skript, das jeden Morgen die Bestellungen aus dem Shop-Export zusammenführt.

2. 2

   Daten mit Pandas aufbereiten

   Pandas-Kurse zeigen, wie du Tabellen filterst, gruppierst, verknüpfst und bereinigst. Das ist der Schritt vor jeder Auswertung und jedem Modell. Beispiel: Du bereinigst eine Kundenliste mit doppelten Einträgen und uneinheitlich geschriebenen Ortsnamen.

3. 3

   Eigene Anwendungen bauen

   Objektorientierung, Module und Tests bilden die Grundlage für größere Programme und Webanwendungen mit Django oder Flask. Mit dem PCAP weist du Kenntnisse in Modulen und Paketen, Ausnahmebehandlung, Dateiverarbeitung und Objektorientierung nach. Beispiel: Du entwickelst ein kleines Buchungstool für Besprechungsräume mit Django und schreibst Tests dazu.

Themen