Master in Angewandter Künstlicher Intelligenz

Lernen Sie, KI-Lösungen mit realem Impact zu entwickeln: ML, Deep Learning und GenAI — verantwortungsvoll, praxisnah und business-orientiert.

Überblick

Praxisprogramm für End-to-End-KI-Systeme: Datenaufbereitung, Training, Evaluation, Deployment und Governance. Inklusive MLOps, Ethik, Datenschutz und reale Business-Anwendungsfälle.

Studienplan (Fächer / Module)

• Daten aufbereiten und Modelle (supervised/unsupervised) trainieren.

• Modelle mit passenden Metriken und Validation evaluieren.

• Deep Learning und moderne Methoden anwenden.

• Verantwortungsvolle GenAI-/LLM-Anwendungen entwickeln.

• Modelle mit MLOps deployen und überwachen.

Für wen geeignet

• Professionals, die KI in ihrer Branche anwenden möchten.

• Entwickler:innen/Data Engineers mit Wechsel zu ML/MLOps.

• Analyst:innen, die intelligente Modelle und Produkte bauen wollen.

Lernziele

• M1 — Foundations: Python, Data & AI Mindset

  Python für Daten, Exploration, Cleaning und KI-Grundlagen.

  Themen: Notebooks · EDA · Data Pipelines

• M2 — Machine Learning Fundamentals

  Klassische Modelle, Feature Engineering, Validation und Metriken.

  Themen: Regression/Klassifikation · Overfitting · Cross-Validation

• M3 — Data Engineering for AI

  Skalierbare Datenaufbereitung, Qualität und Nachvollziehbarkeit.

  Themen: ETL · Data Versioning · Feature Stores (Intro)

• M4 — Deep Learning & Neural Networks

  Neuronale Netze und effizientes Training.

  Themen: CNN/RNN (je nach Fokus) · Regularisierung · Optimierung

• M5 — Natural Language Processing (NLP)

  Textverarbeitung und moderne NLP-Methoden.

  Themen: Embeddings · Transformers (Intro) · NLP-Evaluation

• M6 — Generative AI & LLM Applications

  LLM-Apps bauen: Prompting, RAG, Tools und Guardrails.

  Themen: RAG · Evaluation · Safety & Hallucinations

• M7 — Responsible AI: Ethics, Privacy & Governance

  Bias, Explainability, Compliance und verantwortungsvolles Design.

  Themen: Fairness · Datenschutz · Auditing & Dokumentation

• M8 — MLOps: Deployment, Monitoring & Lifecycle

  ML-Lifecycle: Deployment, Monitoring, Drift, Retraining.

  Themen: ML CI/CD · Model Registry · Metriken

• M9 — Capstone Project (Abschlussprojekt)

  KI-Lösung für einen realen Use Case — mit Delivery und Demo.

  Deliverables: Dataset/Experimente · Modell · Deployment · Report

• Verfügbare Sitzplätze : 25