KI und maschinelles Lernen

Dauer

35–44 Wochen + fortlaufend

Vorher

Grundlagen der Informatik

Führt zu

Machine Learning Engineer, Data Scientist, KI-Forschung, MLOps Engineer

Für alle, die sicher programmieren und Freude an Mathematik und Experimenten haben.

1. Stufe 1: Mathematik für maschinelles Lernen , 6–8 Wochen

   Was Sie lernen

   • Vektoren und Matrizen
   • Ableitungen und Gradienten
   • Wahrscheinlichkeit
   • Statistik
   • Optimierung

   Kostenlose Quellen

   • Essence of Linear Algebra Video, 3Blue1Brown
   • Mathematics for Machine Learning Buch, Deisenroth, Faisal and Ong (Cambridge University Press)
   • Statistics and probability Kurs, Khan Academy

   Bauen: Implementieren Sie lineare Regression mit Gradientenabstieg nur mit NumPy und zeigen Sie, wie der Fehler sinkt.

   Weiter, wenn: Sie können Gradientenabstieg an der Tafel erklären.

2. Stufe 2: Python für Daten , 3–4 Wochen

   Was Sie lernen

   • NumPy-Arrays
   • pandas-DataFrames
   • Unordentliche Daten bereinigen
   • Diagramme
   • Jupyter-Notebooks

   Kostenlose Quellen

   • NumPy quickstart Doku, NumPy
   • pandas getting started Doku, pandas
   • Kaggle Learn Übung, Kaggle

   Bauen: Bereinigen und erkunden Sie einen öffentlichen Datensatz und halten Sie drei Erkenntnisse fest.

   Weiter, wenn: Sie laden, bereinigen und fassen einen unbekannten Datensatz zusammen.

3. Stufe 3: Klassisches maschinelles Lernen , 8–10 Wochen

   Was Sie lernen

   • Trainings-, Validierungs- und Testdaten
   • Überanpassung und Regularisierung
   • Regression und Klassifikation
   • Entscheidungsbäume und Ensembles
   • Die richtige Metrik wählen

   Kostenlose Quellen

   • Machine Learning Crash Course Kurs, Google
   • An Introduction to Statistical Learning Buch, James, Witten, Hastie, Tibshirani and Taylor
   • scikit-learn user guide Doku, scikit-learn

   Bauen: Ein Modell von Anfang bis Ende, getestet auf ungesehenen Daten, mit einer ehrlichen Notiz, wo es versagt.

   Weiter, wenn: Sie erkennen, wenn ein guter Wert in Wahrheit ein Datenleck ist.

4. Stufe 4: Deep Learning , 10–12 Wochen

   Was Sie lernen

   • Neuronale Netze und Backpropagation
   • PyTorch
   • Faltungsnetze
   • Transformer und Attention
   • Training auf der GPU

   Kostenlose Quellen

   • Practical Deep Learning for Coders Kurs, fast.ai
   • Neural Networks: Zero to Hero Video, Andrej Karpathy
   • Dive into Deep Learning Buch, d2l.ai (open source)
   • PyTorch tutorials Doku, PyTorch Foundation

   Bauen: Trainieren Sie einen Bild- oder Textklassifikator und vergleichen Sie ihn mit dem klassischen Modell der letzten Stufe.

   Weiter, wenn: Sie bauen und debuggen eine Trainingsschleife selbst.

5. Stufe 5: Sprachmodelle , 8–10 Wochen

   Was Sie lernen

   • Tokens und Embeddings
   • Wie große Sprachmodelle trainiert werden
   • Fine-Tuning
   • Retrieval-Augmented Generation
   • Ausgaben bewerten

   Kostenlose Quellen

   • LLM Course Kurs, Hugging Face
   • CS224N: NLP with Deep Learning Kurs, Stanford University

   Bauen: Eine Frage-Antwort-App über Ihre eigenen Notizen, mit einem kleinen Testsatz, der misst, wie oft sie richtig liegt.

   Weiter, wenn: Sie erklären, warum ein Modell falsch antwortet, und messen, ob eine Änderung geholfen hat.

6. Stufe 6: Modelle verantwortungsvoll einsetzen , fortlaufend

   Was Sie lernen

   • Ein Modell über eine API bereitstellen
   • Monitoring und Data Drift
   • Verzerrung und Fairness
   • Datenschutz
   • Angriffe auf KI-Systeme

   Kostenlose Quellen

   • Made With ML Kurs, Goku Mohandas
   • Rules of Machine Learning Doku, Google
   • AI Risk Management Framework Doku, NIST

   Bauen: Stellen Sie eines Ihrer Modelle mit Monitoring bereit, dazu eine kurze Model Card, wofür es nicht genutzt werden sollte.

   Weiter, wenn: Diese Stufe endet nie. Weiter veröffentlichen und messen.

Zertifizierungspfade Zurück zu allen Pfaden