Data Science und ML Engineering im Zeichen von KI

Kursüberblick

Ziel Der Kurs "Data Science und ML Engineering im Zeichen von KI" vermittelt Methoden der Data Science und deren Überführung in produktive Machine-Learning-Systeme. Behandelt wird der Weg von der Datenaufbereitung über die Modellentwicklung bis zum Betrieb von Modellen im laufenden System. Der Kurs richtet sich an Personen, die Data Science mit Aufgaben des ML Engineering verbinden. Ergänzend wird eingeordnet, welche Rolle generative Modelle in Data-Science-Projekten einnehmen. Inhalte (Auswahl) Data Science: Datenaufbereitung, explorative Analyse & Feature Engineering Statistische Grundlagen und Modellbewertung in der Data Science Machine-Learning-Verfahren: Supervised, Unsupervised & Deep Learning Von der Data Science zum ML Engineering: Modelle in Produktion überführen MLOps: Versionierung, Deployment & Monitoring von Modellen Datenpipelines und Infrastruktur für Data-Science-Anwendungen Einsatz von LLMs und Foundation Models in Data-Science-Projekten Modellqualität, Bias & Reproduzierbarkeit Datenschutz und rechtliche Anforderungen in Data-Science-Projekten Zusammenarbeit zwischen Data Science, Engineering & Fachbereich Arbeitsweise Der Kurs verbindet die methodischen Grundlagen der Data Science mit der Umsetzung in Code. Übungen und Fallbeispiele bilden die einzelnen Schritte des Modell-Lebenszyklus ab. Kenntnisse in Python werden vorausgesetzt. Kompetenzen (Ergebnis) Datensätze mit Methoden der Data Science analysieren & aufbereiten Machine-Learning-Modelle entwickeln & bewerten Modelle in produktive Umgebungen überführen & betreiben MLOps-Werkzeuge zur Versionierung und Überwachung einsetzen Anforderungen an Datenschutz, Modellqualität & Reproduzierbarkeit berücksichtigen Berufsperspektiven und praktische Anwendung Data Science und ML Engineering werden in Unternehmen unterschiedlicher Branchen eingesetzt, etwa in Handel, Industrie, Finanzwesen und Logistik. Typische Tätigkeitsfelder sind Data Scientist, ML Engineer und Data Engineer. Zu den Aufgaben zählen die Entwicklung von Prognose- und Klassifikationsmodellen, der Aufbau von Datenpipelines sowie der Betrieb und die Überwachung von Modellen im Produktivbetrieb. Tools (Beispiele) Python, pandas, scikit-learn, PyTorch, MLflow, Docker, Git, SQL Zusammenfassung Der Kurs behandelt Data Science und ML Engineering entlang des gesamten Modell-Lebenszyklus. Teilnehmende arbeiten mit Daten, Modellen und den Werkzeugen zu deren Betrieb.

Nächste Termine

• 2026-10-27T23:00:00.000Z · 2027-01-18T23:00:00.000Z · Virtuelles Klassenzimmer
• 2026-10-27T23:00:00.000Z · 2027-04-12T22:00:00.000Z · Virtuelles Klassenzimmer
• 2026-10-27T23:00:00.000Z · 2027-01-18T23:00:00.000Z · Köln · Hybrid Learning
• 2026-10-27T23:00:00.000Z · 2027-04-12T22:00:00.000Z · Köln · Hybrid Learning
• 2027-01-17T23:00:00.000Z · 2027-04-10T22:00:00.000Z · Virtuelles Klassenzimmer