Technologien und Arbeitsweise

Ein wachsender Tech Stack für vollständige AI-Systeme.

Mein Schwerpunkt liegt nicht auf einzelnen Werkzeugen, sondern auf der Verbindung von Datenanalyse, Modellierung, Softwareentwicklung, Evaluation und späterem Betrieb.

Programmiersprache und Grundlagen

Python und Software Engineering

Sauber strukturierter Python-Code bildet die Grundlage für Datenverarbeitung, Modelltraining, Evaluation und spätere Bereitstellung.

Python
Objektorientierte Programmierung
Modulare Projektstruktur
Fehlerbehandlung
Git und GitHub
Testing-Grundlagen

Datenanalyse

Data Intelligence

Daten werden nicht nur eingelesen, sondern geprüft, verstanden, bereinigt, analysiert und nachvollziehbar visualisiert.

Pandas
NumPy
Explorative Datenanalyse
Datenbereinigung
Feature Engineering
Matplotlib
SQL-Grundlagen

Klassisches Machine Learning

Modellierung und Evaluation

Modelle werden gegen Baselines verglichen und mit geeigneten Metriken, Validierungsverfahren und reproduzierbaren Abläufen bewertet.

scikit-learn
Regression
Klassifikation
Clustering
Hyperparameter-Tuning
Cross-Validation
Modellvergleich

Neuronale Netze

Deep Learning mit PyTorch

Deep-Learning-Modelle werden mit PyTorch aufgebaut, trainiert und anhand ihrer Leistung, Fehlerfälle und Grenzen untersucht.

PyTorch
Neuronale Netze
Convolutional Neural Networks
Recurrent Neural Networks
Autoencoder
Attention
Transformer-Grundlagen

Weiterer Ausbildungsblock

Wird vertieft

Generative AI und NLP

Dieser Bereich wird im weiteren Verlauf der Weiterbildung um Sprachmodelle, Retrieval-Augmented Generation und kontrollierte AI-Assistenten erweitert.

Natural Language Processing
Hugging Face
Embeddings
Vector Search
RAG
LLM-Evaluation
Human-in-the-Loop

Produktionsreife Systeme

Wird vertieft

Data Engineering und MLOps

Die späteren Module erweitern den Stack um skalierbare Datenverarbeitung, Deployment, Versionierung und Überwachung von Modellen.

FastAPI
Docker
MLflow
CI/CD
Model Versioning
Monitoring
Big Data Engineering

Auswahl nach Aufgabe

Technologie ist ein Werkzeug, kein Selbstzweck.

Die technische Auswahl richtet sich nach Datenmenge, Nachvollziehbarkeit, Laufzeit, Wartbarkeit und den realen Anforderungen des späteren Einsatzes.

Ein einfaches Baseline-Modell kann die bessere Lösung sein, wenn es stabiler, erklärbarer und wirtschaftlicher als ein komplexes Deep-Learning-Modell ist.

Praktische Anwendung

Die Technologien werden in vollständigen Projekten eingesetzt.

Die Projektseiten zeigen Datenfluss, Modellentscheidungen, Evaluation, Softwarestruktur und die jeweiligen Grenzen der Lösung.

Projekte ansehen