Machine Learning und KI für Entwickler

Dieses Seminar richtet sich an Entwickler, die Machine‑Learning‑Modelle selbst implementieren, trainieren und produktionsreif einsetzen möchten. Von der Datenaufbereitung über klassische ML‑Verfahren bis hin zu neuronalen Netzen und LLM‑Integrationen erhalten die Teilnehmer einen vollständigen Überblick über moderne KI‑Workflows.

Der Fokus liegt auf praxisnahem Coding in Python.

Nach dem Seminar können die Teilnehmer komplette Machine-Learning-Pipelines entwickeln, Modelle trainieren, evaluieren und miteinander vergleichen. Sie sind in der Lage, sowohl klassische Machine-Learning-Verfahren als auch Large Language Models gezielt einzusetzen und produktionsnahe KI-Anwendungen umzusetzen.

Kick-off & Architekturüberblick

• Beispielanwendungen von ML und KI
• Machine Learning im Kontext von KI, Deep Learning und LLMs
• Architektur eines ML-Systems: Daten → Modell → Evaluation → Deployment

Daten verstehen & vorbereiten

• Datenquellen einbinden (Dateien wie CSV und Excel, API Anbindung)
• Data Cleaning & Transformation mit Pandas
• Feature Engineering & Feature Selection
• Skalierung, Encoding, Umgang mit fehlenden Werten

Grundlagen Machine Learning

• Supervised vs. Unsupervised Learning
• Klassifikation vs. Regression
• ML-Modelle mit scikit-learn: Logistic Regression, Decision Tree
• Train/Test-Split, Cross-Validation

Modelle trainieren & evaluieren

• Metriken: Accuracy, Precision, Recall, F1, ROC, RMSE, MAE
• Hyperparameter-Tuning mit GridSearchCV und RandomizedSearchCV
• Vergleich mehrerer Modelle5) Einführung neuronale Netze
• Perceptron & Multi-Layer-Perceptron (MLP)
• Implementierung mit TensorFlow/Keras

Grundlagen und Modelle

• Beispiele für KI Unternehmens-Anwendungen
• Modellübersicht: OpenAI/GPT, Claude, Google/Gemini, Meta/Llama
• Anwendung: Einfaches Prompting, Fine-Tuning Modelle und RAGs

Klassisches Natural Language Processing (NLP) versus LLMs

• Klassische NLP-Methoden und deren sprachspezifische Herausforderungen (Tokenisierung, Stopwords, Lemmatization/Stemming, nGramme)
• Moderne NLP-Methoden (Tokenisierung, implizites Lernen, Architekturprinzip: Self-Attention statt n-Gramme)

Python-Live-Demos von KI-Modellen

• Bilderkennung
• Textanalyse & Klassifizierung
• Chatbot

LLMs per API nutzen

• API-Client einrichten
• Prompting Essentials (Zero-/Few-Shot, System vs. User Prompts, Delimiter)
• Strukturierte Antworten (Struct-Output)Function Calling, Tools und Model Context Protocol (MCP)

RAGs in Python

• Ingestion & Chunking von Dokumenten
• Embeddings erzeugen, Vektorindex (FAISS) bauen
• (Hybrid-)Retrieval + Reranking
• Prompt-Konstruktion
• Evaluierung

• Gute Python‑Kenntnisse
• Grundkenntnisse in Pandas & NumPy empfohlen
• Eigene Entwicklungsumgebung (z. B. VS Code, PyCharm)