Machine Learning mit Python Grundkurs (Für Python Einsteiger)
Von Python-Basics bis scikit-learn: Daten auswerten, visualisieren und erste ML-Modelle trainieren
LLMs, Copilots und Automatisierung für Code, CI/CD und sicheren IT-Betrieb gezielt einsetzen
Alle Kurse anzeigenKI ist für Entwicklung und Administration nicht nur ein zusätzliches Tool, sondern wird zunehmend Teil der technischen Wertschöpfungskette: in der IDE, in Pipelines, im Monitoring, im Support und in internen Wissenssystemen. Diese Kategorie bündelt KI Schulungen für Entwickler und Administratoren, die LLMs, Copilots und Automatisierung dort einordnen, wo sie messbar Arbeit abnehmen und gleichzeitig beherrschbar bleiben.
Du lernst, KI-Assistenz in bestehende Engineering- und Betriebsprozesse einzubinden, Ergebnisse systematisch zu prüfen und Risiken wie Datenabfluss, falsche Antworten, unkontrollierte Tool-Zugriffe oder steigende Betriebskosten einzugrenzen. Der Schwerpunkt liegt auf produktionsnahen Szenarien: Code-Unterstützung, CI/CD, Runbook-Automatisierung, RAG mit internen Wissensquellen, API-Integration, Monitoring, Logging und Governance. Für Teams, die KI-Plattformen betreiben oder ausbauen, ist außerdem die Vertiefung im Bereich DevOps & KI-Plattformbetrieb ein sinnvoller nächster Schritt.
Vom Prototyp zum stabilen KI-Service: Modelle, RAG und LLMOps für den produktiven Einsatz beherrschen
Von der Idee zum belastbaren LLM-Chatbot: RAG, Integration, Qualität und Betrieb im Griff
Von der LLM-Idee zur betreibbaren Anwendung mit RAG, Agents, Evaluation und Kostenkontrolle
Vom trainierten Modell zum belastbaren ML-Service mit CI/CD, Monitoring und kontrollierten Releases
GPU, Kubernetes, MLOps und Security für KI-Services, die im Betrieb belastbar bleiben
Vom Experiment zum belastbaren KI-Service: Deployments, Observability und Governance sicher beherrschen
Von Python-Basics bis scikit-learn: Daten auswerten, visualisieren und erste ML-Modelle trainieren
Textdaten analysieren, Frameworks vergleichen und NLP-Projekte fachlich belastbar planen
Trainingsdaten vorbereiten, neuronale Netze trainieren sowie die Modellleistung visualisieren und bewerten
Mathematik, Python und Machine Learning praxisnah verbinden, um Modelle fundiert aufzubauen
Von Tensoren bis CNNs: Deep-Learning-Modelle in PyTorch verstehen, trainieren und bewerten
Neuronale Netze mit Python aufbauen, trainieren und für erste TensorFlow-Projekte belastbar einsetzen
ML-Modelle mit Python, scikit-learn und TensorFlow/Keras anhand nachvollziehbarer Unternehmensfälle entwickeln
Wir bieten die Kurse auch als Inhouse oder Firmenseminar an - vor Ort oder Live-Online.
LLMs sicher einordnen, Modellwahl treffen und eigene Daten mit RAG oder Briefing-Files nutzen
Vertiefe RAG, Fine-Tuning und Evaluation für belastbare LLM-Anwendungen im Praxiseinsatz
LLM-Schulung für belastbare RAG-Systeme, Fine-Tuning, Guardrails und Betrieb mit messbarer Qualität
Entscheide fundiert über LLM-Einsatz, Risiken, Plattformen und Roadmap für dein Unternehmen
Wir arbeiten direkt an euren eigenen Themen - effizient und mit klarem Alltagsbezug.
Praxisnahes n8n Seminar für KI-Agenten, Workflow-Automatisierung und produktive AI-Prozesse
Baue einen Agenten, der Vorgangsdaten abfragt, typisierte Ergebnisse liefert und sich ohne Live-Modell testen lässt.
Baue Claude-Workflows mit Skills, APIs, Freigaben und Audit-Logs ohne Flow-Builder
Model Context Protocol für KI-Agenten: Tools anbinden, Rechte begrenzen, Logs auswerten und Server härten
Von State Graphs bis Deployment: steuerbare KI-Agenten mit Review, Checkpoints und Tracing bauen
Baue belastbare LLM-Anwendungen mit Retrieval, Tools, LangGraph und Observability statt fragiler Prompt-Demos.
LLM-Traces, Prompt-Versionen und Evaluation als belastbaren MLflow-Workflow aufbauen
Baue A2A-Agenten mit Python oder TypeScript und sichere Discovery, Aufgabenübergabe sowie MCP-Tools ab.
Baue stabile Agents, die nach Prozess- und API-Ausfällen fortsetzen und Workflow-Updates ohne Zustandsverlust verarbeiten.
Einen Agenten für Tabellen und Dokumente bauen, Rollen testen und Antworten an den Quellen prüfen
Wir helfen dir kurz weiter und empfehlen dir das passende Training.
Entwickle deklarative Agents, binde Wissen ein und veröffentliche Copilot-Erweiterungen praxisnah
Copilot sicher bereitstellen, steuern und mit Agents, Graph-Connectors und Purview erweitern
KI-gestützte Softwareentwicklung mit klaren Prompts, Diffs, Tests und Review-Schleifen
Sichere KI-Workflows mit OpenCode aufbauen, ohne Vendor-Lock-in und mit belastbarer Governance
Codex sicher für Programmierung, Tests und Reviews einsetzen und agentische Entwicklung kontrolliert starten
In einem Tag von Chat-Prompts zu kontrollierten Agent-Workflows für Code, Debugging, Kontext und Team-Guardrails
Richte Antigravity sauber ein, prüfe KI-Änderungen sicher und etabliere Team-Workflows ohne IDE-Chaos
KI-Code in JetBrains IDEs gezielt erzeugen, prüfen und verantwortungsvoll im Team einsetzen
Baue asset-zentrierte Pipelines mit Python, Backfills, Tests und CI/CD für Analytics und KI
Governance für Copilot und Agenten aufbauen, Zugriffe prüfen und Freigaben im Tenant dokumentieren.
Microsoft 365, Copilot und Agents administrativ steuern, Daten schützen und Governance sicher einordnen
Offizielles Microsoft Training für produktive KI-Services auf Azure mit MLOps, GenAIOps und Governance
Entwerfen und Implementieren einer Azure AI-Lösung ist für Softwareentwickler gedacht, die AI-infundierte Anwendungen erstellen möchten die Azure Cognitive Services, Azure Cognitive Search und Microsoft Bot..
Claude API, Agenten und MCP anhand prüfungstypischer Aufgaben üben. Die offizielle Prüfung ist im Preis enthalten.
Bereite dich auf 60 englischsprachige Szenariofragen vor. Die offizielle Prüfung ist im Preis enthalten.
Prüfungsfälle sicher lösen: Statistik, ML, Datenpipelines, MLOps und Governance gezielt verbinden
Bearbeite den ML-Lebenszyklus in Labs und trainiere Prüfungsentscheidungen entlang des aktuellen offiziellen Leitfadens.
ChatGPT, Codex und OpenAI API sicher in Entwicklungsprozesse integrieren und produktiver Software liefern
Spring AI und LangChain4j in Java-Microservices einsetzen, von LLM-Integration bis RAG
Von der KI-Idee zur belastbaren Roadmap für Daten, Schnittstellen, Betrieb und Governance
Mit Prompting, No-Code und VibeCanvas von der Idee zum validierten MVP in 2 Tagen
Entwickle KI-Oberflächen mit Streaming, RAG-Quellen, Guardrails und messbarer Performance.
Triage beschleunigen, Duplikate senken und Bug-Fixes mit GenAI nachvollziehbar steuern
Code gezielt analysieren, refaktorieren und mit KI-Unterstützung sicherer bewerten
Vom ML-Prototyp zum belastbaren KI-Produkt mit MLOps, API, Deployment und Monitoring
LLM-Integration, RAG und Governance für gewachsene Systeme mit belastbarem Weg von PoC bis Rollout
LLM-Antworten über Traces bis zur Ursache verfolgen und Releases mit messbaren Qualitäts-Gates freigeben
LLM-Qualität messbar absichern: Eval-Sets, Human-Review und Regressionstests für AI-Produkte
Plane, deploye und betreibe LLM-Inferenz on-premises: reproduzierbar, sicher, kostenkontrolliert.
Du stimmst vLLM auf reale GPU-Budgets ab und betreibst OpenAI-kompatible Endpunkte in Containern und Kubernetes.
LLMs gezielt für Testfälle, Testautomatisierung, Fehleranalyse und sichere KI-Workflows nutzen
Setze Rollen, SSO, Modellanbindung und Betriebsprozesse für interne KI-Arbeitsplätze belastbar auf
Steuere Cloud- und lokale Modelle, begrenze Kosten und schütze Zugriffe mit virtuellen API-Keys.
Lokale LLM-Inferenz, RAG und Evaluation praxisnah einrichten und ohne Cloud-Abhängigkeit nutzen
Vom Modellvergleich zum belastbaren Mistral-Prototyp für LLM-, Audio- und Document-AI-Use-Cases
Die 27B-Variante von Qwen 3.8 liefert aussagekräftige Ergebnisse, wenn Modellformat, VRAM und Inferenzparameter zur Aufgabe passen. Im Training startest du Qwen3.8-27B mit llama.cpp und beobachtest, wie..
MiniMax M3 praxisnah einsetzen: Setup, Prompting, RAG, Evaluation und kontrollierter Betrieb
Von Use Case bis Betrieb: Support-Automation messen, steuern und sicher in Service-Prozesse bringen
Chatbots planen, Dialoge modellieren und sicher in Web, App oder Service-Prozesse integrieren
Praxisnahes Training für Chatbot-Konzeption, Service-Automatisierung und messbare Support-Qualität
Triff belastbare Architekturentscheidungen für GPU, Daten, Sicherheit und Kosten, bevor dein KI-Projekt teuer wird
Prompt-Injection, Datenabfluss und Agentenmissbrauch in LLM-Anwendungen systematisch absichern
Baue Chatbot-Funnels, die qualifizieren, statt nur zu antworten und miss dabei sauber den Beitrag zu Pipeline und Umsatz.
Automatisiere IT-Aufgaben mit KI, sichere Qualität ab und entwickle deine Rolle für 2026 weiter
Von E-Mail bis PDF: du baust robuste KI-Workflows für Erfassung, Prüfung und Übergabe an ERP, CRM und DMS.
Vom KI-Anwendungsfall zum belastbaren Modell: CRISP-DM, KNIME und Datenqualität praxisnah einordnen
Praxisnahes Training für RAG-Pipelines, semantische Suche und produktive Enterprise AI
Baue Qdrant-RAG mit Payload-Filtern und Self-Hosting-Routinen für produktive Vektor-Suche
KI, Machine Learning und generative KI auf AWS verstehen und für Geschäftsanforderungen einordnen
ML-Modelle mit SageMaker, MLOps und Monitoring zuverlässig auf AWS produktionsreif machen
ML-Modelle auf AWS produktiv betreiben: mit automatisierten Pipelines, Monitoring und SageMaker-Praxis
Produktionsreife GenAI-Lösungen mit Amazon Bedrock, RAG, AgentCore und Guardrails umsetzen
Entwickle praxisnahe Gen-KI-Anwendungen mit Amazon Bedrock, RAG, LangChain und Guardrails auf AWS
Bring dein Modell mit KServe kontrolliert in den Kubernetes-Betrieb, inklusive Canary-Releases, Autoscaling und Monitoring
Baue reproduzierbare ML-Workflows von Notebook bis KServe-Deployment auf einem Kubernetes-Cluster
KI-Chatbots rechtssicher einsetzen: DSGVO, AI Act, Urheberrecht und Haftung an einem Tag
Semantische Suche, RAG und Ranking für belastbare Treffer in produktionsnahen Datenbeständen
Von Feature Store bis RAG: NoSQL-Datenmodelle für KI-Systeme mit stabiler Latenz und Governance
SQL-Automatisierung mit Guardrails, RAG-Copilot und prüfbaren DBA-Workflows für produktive Changes
Knowledge Graphs für präziseres RAG, bessere Empfehlungen und nachvollziehbare KI-Ergebnisse
Entwickle stabile RAG-Architekturen mit Vektordatenbanken, messbarem Retrieval und sicherem Betrieb.
Integriere Tool-Calling in Spring Boot, verbinde PostgreSQL per PGVector und prüfe KI-Antworten mit Evaluation und Tracing.
LLM-Anwendungen schneller prototypisieren: Transformer, HuggingFace, RAG und praxisnahe Use Cases
Vom Container zur skalierbaren Inferenz: Images, Deployments, GPU, Security und Betrieb im Cluster
Vortrainierte Modelle gezielt anpassen, Trainingsaufwand senken und den Weg in den Betrieb absichern
AI-Agenten und Remote-Zugriff mit IAM, PAM, Logging und klaren Freigaben sicher betreiben
Das Open Weights Model GLM sicher evaluieren, absichern und mit eigenen Daten in Workflows bringen.
Vom Notebook zur überwachten Azure-Deployment-Pipeline mit reproduzierbaren Releases und sauberem Betrieb
Entwickle RL-Agenten mit stabilen Trainings, sauberem Reward Design und belastbarer Evaluation
Treiber, CUDA-Stack, Performance und stabile Deployments für Training und Inference im Betrieb
Von Setup bis Governance: Kimi K3 sicher betreiben, bewerten und in Workflows integrieren.
Assistants-Anwendungen auf die Responses API migrieren und Agenten mit begrenzten Tool-Rechten sowie überprüfbaren Traces bauen
Entwickle KI-API-Integrationen mit Auth, RAG, Tool-Calling, Streaming und belastbarem Betrieb
Baue reproduzierbare Cloud-Infrastruktur, reduziere Drift und nutze KI für Reviews, Tests und sichere Änderungen.
Baue robuste Datenpipelines, die Training, Inferenz und Monitoring zuverlässig versorgen.
Security by Design für Trainingsdaten, ML-Pipelines und Modellartefakte ohne Compliance-Blindflug
Vom Mikrofon bis zur Antwort: robuste Pipelines, Latenz, Qualität und Datenschutz sauber gelöst.
Von Benchmark bis Betrieb: Qwen-Modelle fundiert bewerten, sicher einsetzen und Kosten begründen
AutoML praxisnah steuern: von Datenqualität und Metriken bis Erklärbarkeit, Drift und Betrieb.
Sensor-KI für harte Echtzeit- und Energiegrenzen entwickeln, quantisieren und sicher deployen
Domänenspezifische Open-Source LLMs mit LoRA, DPO, Evaluation und Serving sicher umsetzen
Baue, deploye und betreibe ML-Workloads mit MLOps, Security und Kostenkontrolle in AWS und Microsoft Azure.
KI-Features event-driven entwickeln, mit RAG, Evals und CI/CD sicher in Produktion bringen
Vom Bauchgefühl zur belastbaren Llama-Auswahl: Qualität, Kosten, Latenz und Governance messbar bewerten
XAI-Checks für ML-Modelle entwickeln, Erklärungen prüfen und auditfähig dokumentieren
Sichere ML-Pipelines, Artefaktflüsse und Modellbetrieb für abgeschottete IT-Zonen planen
KI-Inferenz mit Functions, Events und Managed Services zuverlässig integrieren und betreiben
Entwickle belastbare KI-Backends mit Streaming, Queues, Retrieval und sauberem Betrieb
Von Rohdaten zu messbaren Segmenten, die KI-Teams begründen, nutzen und überwachen
DeepSeek sicher self-hosten, teamfähig betreiben und mit RAG, Governance und Monitoring produktiv nutzen
Offene GPT-Modelle sicher bewerten, integrieren und vom PoC in belastbare Prozesse bringen
Wir erstellen dir gern ein individuelles Trainingsangebot.
Keine Schulungen gefunden
Bitte passe deine Filter an.
4.8/5 aus 26 Bewertungen
Diese Kurs-Kategorie richtet sich an Entwicklerinnen und Entwickler, DevOps Engineers, Systemadministratorinnen und Systemadministratoren sowie IT-Operations-Teams, die KI nicht nur testen, sondern kontrolliert in produktive Abläufe integrieren möchten. Im Mittelpunkt stehen konkrete Engineering- und Betriebsaufgaben: LLM-gestützte Entwicklung, Automatisierung von Runbooks, schnellere Fehleranalyse, Unterstützung bei Dokumentation und Tests sowie der sichere Einsatz von KI in produktionsnahen Umgebungen.
Die Schulungen behandeln, wie KI-Assistenz in IDEs, Ticket-Systemen, CI/CD-Pipelines und Betriebsprozessen sinnvoll eingebunden wird. Prompts werden dabei nicht als spontane Eingaben betrachtet, sondern als wiederverwendbare Artefakte mit Qualitätskriterien, Versionierung und Review. Ebenso wichtig ist die Verifikation von Ergebnissen: Code-Reviews, Tests, statische Analysen, Logging und reproduzierbare Workflows sorgen dafür, dass KI-Ausgaben nachvollziehbar bleiben und nicht ungeprüft in Systeme gelangen.
Ein weiterer Schwerpunkt ist der Betrieb von KI-Workloads. Dazu gehören Monitoring, Kostenkontrolle, Zugriffskonzepte, Secrets-Handling, Datenklassifizierung und Auditierbarkeit. Für interne Wissenssysteme spielen RAG, Embeddings, Retrieval-Strategien und Evaluationsmetriken eine zentrale Rolle. Passende Vertiefungen bieten beispielsweise das LangChain: RAG und Agents Intensiv-Training, das AI-300 Training für MLOps und generative AI auf Azure oder die Schulung Agentic AI betreiben: Architektur. Sicherheit. Betrieb..
Ziel der Kategorie ist ein belastbarer Umgang mit KI als Werkzeugkette: schneller entwickeln, stabiler betreiben, Risiken bewerten und Automatisierung so gestalten, dass Compliance, Sicherheit und technische Qualität erhalten bleiben.
Die Schulungen richten sich an Entwicklerinnen und Entwickler, DevOps Engineers, Systemadministratorinnen und Systemadministratoren, SREs sowie IT-Operations-Teams. Geeignet sind sie besonders, wenn du KI in Coding, CI/CD, Deployment, Betrieb, Support oder internen Wissenssystemen produktiv einsetzen möchtest.
Hilfreich sind Grundlagen in Scripting, etwa mit Bash, PowerShell oder Python, sowie ein Verständnis von CI/CD, Logs, Monitoring, Zugriffsrechten und Betriebsprozessen. Tiefes KI-Vorwissen ist für viele Einstiegsschulungen nicht erforderlich, bei RAG-, Agenten- oder MLOps-Themen sind technische Grundlagen jedoch sinnvoll.
KI für Anwender konzentriert sich meist auf Office-, Recherche- oder Kommunikationsaufgaben. KI für Entwickler und Administratoren behandelt technische Integration: APIs, Automatisierung, Code-Assistenz, Pipeline-Einbindung, RAG, Monitoring, Logging, Zugriffskonzepte, Kostenkontrolle und Sicherheitsmaßnahmen für produktionsnahe Umgebungen.
RAG verbindet Sprachmodelle mit internen Wissensquellen wie Dokumentationen, Wikis, Tickets oder Betriebshandbüchern. In technischen Schulungen geht es darum, Embeddings, Vektordatenbanken, Retrieval-Strategien, Berechtigungen und Evaluationsmethoden so einzusetzen, dass Antworten nachvollziehbar und fachlich belastbar bleiben.
Wichtige Maßnahmen sind Review-Workflows, Tests, Policies, Guardrails, Datenklassifizierung, kontrollierte Tool-Zugriffe und Protokollierung. Bei RAG- oder Chatbot-Systemen helfen zusätzlich Evaluationssets, definierte Qualitätskriterien und regelmäßige Prüfungen der Antworten.
Besonders wichtig sind Zugriffskontrolle, Secrets-Handling, Auditierbarkeit, Prompt-Injection-Schutz, Datenabfluss-Prävention, Protokollierung, Provider-Auswahl, On-Prem- oder Cloud-Betrieb sowie Kosten- und Performance-Management. Diese Themen sind entscheidend, wenn KI-Systeme in produktive Abläufe eingebunden werden.
Für den Einstieg eignen sich Schulungen zu LLM-Integration, Copilot-Nutzung oder Azure AI. Wenn es um produktiven Betrieb, Governance und Architektur geht, sind Vertiefungen zu MLOps, RAG, Agentic AI oder DevOps & KI-Plattformbetrieb sinnvoll.
Weitere häufig gestellte Fragen und Antworten findest du in den FAQs.
Wer nach KI Schulungen für Entwickler und Administratoren sucht, verfolgt meist ein klares Ziel: weniger manuelle Arbeit in Entwicklung, Betrieb und Support, ohne Qualität, Nachvollziehbarkeit oder Sicherheit zu verlieren. Genau dafür sind Weiterbildungen in diesem Bereich relevant. Statt allgemeiner KI-Grundlagen geht es um den Einsatz von LLMs im Engineering-Alltag: Code-Assistenz, Refactoring, Testfall-Generierung, API-Client-Erstellung, Dokumentation, Migrationsskripte, Incident Response und Knowledge Management.
In der Softwareentwicklung beschleunigt KI wiederkehrende Aufgaben, ersetzt aber keine fachliche Prüfung. Entscheidend sind saubere Prompting-Techniken, Review-Workflows, statische Analysen, Unit- und Integrationstests sowie klare Kriterien für Akzeptanz und Qualität. Schulungen wie GH-300 GitHub Copilot zeigen, wie KI-Assistenz in Entwicklungsumgebungen produktiv genutzt und in bestehende Workflows eingebettet wird. Für Azure-orientierte Teams ist außerdem das AI-102 Training zur Entwicklung von Azure AI-Lösungen relevant.
Für Administratorinnen, Administratoren und DevOps-Teams steht die Operationalisierung im Vordergrund: KI-gestützte Runbooks, Log- und Metrik-Analyse, Ticket-Triage, ChatOps sowie Automatisierung mit Shell, PowerShell, Python oder Ansible. Bei RAG-Szenarien werden interne Dokumentationen, Wikis, Ticketsysteme oder Betriebsanleitungen gezielt nutzbar gemacht, ohne Wissen unkontrolliert in Trainingsdaten oder externe Systeme zu übertragen. Dazu gehören Vektordatenbanken, Embeddings, Retrieval-Strategien, Berechtigungskonzepte und Evaluationsmetriken, damit Antworten fachlich belastbar und nachvollziehbar bleiben.
Ein zentraler Schwerpunkt ist der sichere KI-Einsatz in Unternehmen: Rollen- und Rechtekonzepte, Secrets, Protokollierung, Auditierbarkeit, Datenklassifizierung, Schutz vor Prompt Injection und Maßnahmen gegen Datenabfluss. Ergänzend kann die Schulung KI rechtssicher in Unternehmen einsetzen helfen, technische Maßnahmen mit organisatorischen und rechtlichen Anforderungen abzugleichen. So wird KI nicht als Experiment behandelt, sondern als Plattform-Komponente, die Kosten, Stabilität, Sicherheit und Governance in Einklang bringen muss.