Artifical Intelligence (AI): Künstliche Intelligenz Modelle

Passt der Kurs zu dir?

1. 1
   Motivation und Lernbereitschaft
2. 2
   Zuverlässigkeit im jeweiligen Arbeitsfeld
3. 3
   Konkrete Zulassung des gewählten Weges prüfen

Das lernst du

1. 1
   Titel: Künstliche Intelligenz - Künstliche Intelligenz Modelle für fortschrittliche Künstliche Intelligenz Entwicklung
2. 2
   1. Kursbeschreibung
3. 3
   Der Kurs,,Künstliche Intelligenz - Künstliche Intelligenz Modelle für fortschrittliche Künstliche Intelligenz Entwicklung" richtet sich an Fachkräfte, die komplexe KI-Modelle entwickeln, trainieren und produktiv einsetzen möchten. Im Mittelpunkt stehen Deep Learning, neuronale Netze, generative KI und Data-Engineering-Techniken für skalierbare KI-Anwendungen. Teilnehmende lernen, KI-Modelle mit Azure Machine Learning zu implementieren und die Dateninfrastruktur mit Microsoft Fabric effizient zu gestalten.
4. 4
   2. Zielgruppe
5. 5
   Der Kurs richtet sich an KI-Architekt:innen, Data Scientists, Machine Learning Engineers, Entwickler:innen und technische Projektleiter:innen, die ihre Fähigkeiten in der KI-Modellierung und -Entwicklung vertiefen möchten.
6. 6
   3. Kursniveau
7. 7
   Fortgeschrittene bis Expert:innen - Vorkenntnisse in Python, Machine Learning und Datenverarbeitung sind erforderlich.
8. 8
   4. Vorkenntnisse und empfohlene Vorkurse
9. 9
   Empfohlen:,,Azure Fundamentals (AZ-900)" und,,Python for Data Science" für ein solides Verständnis von Cloud-Technologien und Programmiergrundlagen.
10. 10
    5. Agenda (4-6 Themenblöcke)
11. 11
    Modul 1: Grundlagen fortgeschrittener KI-Modellierung
12. 12
    Teilnehmende lernen die Struktur und Funktionsweise moderner KI-Modelle kennen, von neuronalen Netzen bis zu Deep-Learning-Architekturen.
13. 13
    Praxisbeispiel: Aufbau eines mehrschichtigen neuronalen Netzes zur Klassifikation von Bilddaten.
14. 14

    Kursinhalte

    Überblick über Deep Learning und KI-Modelle
    Aufbau neuronaler Netze (CNNs, RNNs, Transformer)
    Hyperparameter-Tuning und Modelloptimierung
    Überblick über Frameworks: PyTorch, TensorFlow, Scikit-learn
    Modul 2: Microsoft DP-100 - Azure Data Scientist Associate
    Dieses Modul vermittelt praxisorientiertes Wissen zum Erstellen, Trainieren und Bereitstellen von ML- und KI-Modellen in Azure.
    Praxisbeispiel: Entwicklung eines ML-Modells für Predictive Maintenance.
    Datenvorbereitung und Feature Engineering
    Training und Evaluierung von Machine-Learning-Modellen
    Automatisiertes Machine Learning (AutoML)
    Deployment und Überwachung in Azure Machine Learning
    Modul 3: Microsoft AI-102 - Azure AI Engineer Associate
    Teilnehmende lernen, KI-Dienste und -Modelle in Anwendungen zu integrieren und mit generativer KI zu kombinieren.
    Praxisbeispiel: Entwicklung eines Chatbots mit Azure OpenAI und Cognitive Services.
    Nutzung von Azure Cognitive Services und OpenAI
    Natural Language Processing und Bilderkennung
    Integration von KI in Web- und Unternehmensanwendungen
    Sicherheit, Governance und Skalierbarkeit
    Modul 4: Microsoft DP-600 - Implementing a Data Warehouse and Lakehouse with Microsoft Fabric
    Dieses Modul behandelt die Dateninfrastruktur für KI-Modelle und Machine-Learning-Pipelines.
    Praxisbeispiel: Aufbau einer skalierbaren Datenarchitektur für ein KI-Projekt mit Fabric Lakehouse.
    Architektur moderner Data Warehouses und Lakehouses
    Datenintegration und -transformation mit Fabric
    Verbindung von Machine Learning und BI-Datenmodellen
    Performance-Optimierung und Kostenkontrolle
    Modul 5: Praxisprojekt - Entwicklung eines komplexen KI-Modells
    Teilnehmende setzen ein komplettes End-to-End-KI-Projekt um, inklusive Datenverarbeitung, Training, Optimierung und Bereitstellung.
    Praxisbeispiel: Entwicklung eines multimodalen KI-Modells mit Bild- und Textdaten.
    Modellplanung und Pipeline-Erstellung
    Training und Evaluierung komplexer Modelle
    Implementierung von Monitoring-Strategien
    Abschlusspräsentation und Dokumentation
    6. Zusatzinformationen
    Der Kurs ist AZAV-zertifiziert und kann über Bildungsgutschein oder Qualifizierungschancengesetz (QCG) gefördert werden.
    Er richtet sich an Einzelpersonen und B2B-Kund:innen und wird über (München, Stuttgart, Nürnberg) sowie learn2program.de angeboten.
    ,,Künstliche Intelligenz - Künstliche Intelligenz Modelle für fortschrittliche Künstliche Intelligenz Entwicklung" bietet eine tiefgehende Ausbildung in der modernen KI-Modellierung. Teilnehmende erwerben Fähigkeiten, um komplexe Modelle zu entwickeln, zu trainieren und produktiv in Azure bereitzustellen - eine Schlüsselkompetenz für datengetriebene Organisationen.
    Alle Kurse können deutschlandweit online belegt werden. Viele unserer Kurse finden auf Deutsch und/oder auf Englisch statt.

1. 1

   Kirchzarten

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

2. 2

   München

   Blended Learning · Vollzeit · 1–3 Monate · 5.000–10.000 €

3. 3

   Singen (Hohentwiel)

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

4. 4

   Tübingen

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

5. 5

   Aalen

   Blended Learning · Teilzeit · 1–3 Monate · 5.000–10.000 €

Förderwege

Wer deinen Kurs zahlt

Brutto im Monat

Mitte und Viertel bundesweit

3 Schritte vom Kurs in den Beruf

1. 1

   KI auf echte Arbeitsaufgaben anwenden

   Deine Branchenkenntnis bleibt wertvoll, wenn du einen Prozess mit KI unterstützt und das Ergebnis prüfst. Gute Praxis beschreibt Ausgangslage, Daten, menschliche Kontrolle und eine überprüfbare Verbesserung, ohne Automatisierung pauschal zu versprechen. Beispiel: Bearbeite einen kleinen Prozess aus deinem bisherigen Beruf und vergleiche Zeitbedarf und Qualität vorher und nachher.

2. 2

   Fachwissen mit neuen Werkzeugen verbinden

   Branchenkenntnis, Kommunikation und Qualitätskontrolle bleiben wichtig. Gerade im Quereinstieg ergänzt du vorhandene Erfahrung durch ein Projekt mit Quellenprüfung, Versionierung, Freigabe und dokumentierten Grenzen. Beispiel: Ein Bewerbungsbeispiel beschreibt Aufgabe, verwendete Werkzeuge, Prüfung der Ergebnisse und Grenzen des Ansatzes.

3. 3

   Verantwortung schrittweise aufbauen

   Projektkoordination, Schulung und Prozessgestaltung verlangen mehr als Toolbedienung. Achte auf Inhalte zu Use-Case-Auswahl, Datenqualität, Prüfung, Dokumentation und Zusammenarbeit. Vergleiche die Kursaufgaben mit den Zielstellen, die du erreichen möchtest. Beispiel: Vergleiche einen Grundlagenkurs mit einem Projektkurs und entscheide nach deinem aktuellen Kenntnisstand.

Themen

Arbeitsmarkt

KI & Machine Learning bundesweit in Zahlen