KI-Architekt/in mit Zusatzqualifikation Python Basics – Kurs

Dieser Kurs ist der Einstieg in die KI-Entwicklung mit Azure für alle, die bisher noch keine Programmiererfahrung mitbringen oder Python als neue Werkzeugsprache erlernen wollen. Die Zusatzqualifikation Python Basics ist dabei kein Anhang, sondern ein integraler Bestandteil: Python ist die Sprache, in der Azure Machine Learning trainiert, getestet und deployt wird. Die Module DP-100 (Azure Data Scientist Associate) und AI-102 (Azure AI Engineer Associate) geben den technischen Azure-Rahmen vor; das Python-Modul liefert das Handwerkszeug, das für die praktische Arbeit mit Azure-ML-SDKs, Pandas und NumPy benötigt wird. Wer diesen Kurs abschließt, kann eigenständig ML-Modelle in Azure trainieren und über REST-Endpunkte bereitstellen, mit Python-Skripten Daten aufbereiten und Pipelines automatisieren.

Der Kurs richtet sich besonders an Personen, die in die KI-Entwicklung einsteigen wollen und dabei sowohl das Azure-Know-how als auch das Programmier-Fundament in Python aufbauen möchten.

• IT-Quereinsteiger mit Grundkenntnissen in IT oder Datenanalyse, aber ohne Programmiererfahrung
• Datenanalysten, die von Excel und BI-Tools in Richtung Python und Machine Learning wechseln wollen
• KI-Architektinnen und KI-Architekten, die Python als Werkzeugsprache nachlernen möchten
• Entwicklerinnen und Entwickler aus anderen Sprachen, die Python für KI-Projekte lernen wollen
• Projektleiterinnen und Projektleiter, die KI-Projekte mit technischem Verständnis führen möchten

Der Kurs läuft bevorzugt im Vollzeitformat, um den Lernfluss zwischen den aufbauenden Modulen zu sichern; ein Teilzeitformat ist ebenfalls verfügbar. Die Unterrichtsform ist Combined Learning: strukturierte Lehreinheiten wechseln mit angeleiteten praktischen Übungseinheiten in echten Azure-Umgebungen. Python-Grundlagen werden mit unmittelbarem Anwendungsbezug zu Azure-Aufgaben vermittelt, sodass jede neue Sprach-Konstruktion direkt in einem sinnvollen Kontext erlebt wird.

Die Weiterbildung erstreckt sich über mehrere Wochen. Im Vollzeitformat ist die Durchführung kompakter; im Teilzeitformat lässt sie sich berufsbegleitend organisieren. Der genaue Stundenumfang ist beim Anbieter einsehbar.

Nach Kursabschluss wird ein trägerinternes Zertifikat bzw. eine qualifizierte Teilnahmebescheinigung ausgestellt. Der Kurs bereitet auf die Microsoft-Zertifizierungsprüfungen DP-100 (Azure Data Scientist Associate) und AI-102 (Azure AI Engineer Associate) vor; diese Prüfungen werden extern bei Microsoft-akkreditierten Testzentren abgelegt. Das Python-Basics-Modul schließt mit einer trägerinternen Zusatzqualifikation ab.

Wer in die KI-Entwicklung einsteigen will, steht oft vor einem Dilemma: Entweder man lernt Python separat, oder man macht einen Azure-Kurs ohne das nötige Programmier-Werkzeug. Dieser Kurs löst das Problem, indem er beides gleichzeitig und aufeinander abgestimmt vermittelt. Python-Grundlagen werden nicht als abstrakte Übungen gelehrt, sondern sofort in Azure-Kontexten eingesetzt. Die Vorbereitung auf DP-100 und AI-102 in einem Kurs ist effizient, weil beide Zertifizierungen in der Praxis eng zusammenhängen: Das Data Scientist Profil (DP-100) und das AI Engineer Profil (AI-102) beschreiben zwei Seiten desselben KI-Projekts. Wer beide Perspektiven kennt, kann entweder eigenständig arbeiten oder in gemischten Teams die Brücke zwischen Modellentwicklung und Dienst-Integration schlagen. Das entstehende Kompetenzprofil ist auf dem deutschen Arbeitsmarkt gefragt, weil viele Unternehmen Azure als ihre KI-Plattform nutzen und Python-Kenntnisse in nahezu jeder KI-Stellenanzeige vorausgesetzt werden. Wer diesen Kurs abschließt, bringt beides mit, zusammen mit einer dokumentierten Praxispipeline, die das Erlernte konkret belegt.

Bevor Code geschrieben wird, braucht es ein klares Bild davon, wie KI-Systeme aufgebaut sind und welche Rollen und Prozesse in einem KI-Projekt zusammenwirken. Dieses Einstiegsmodul legt das konzeptionelle Fundament und stellt Azure als Plattform für KI-Projekte vor.

• Grundlagen moderner KI-Architekturen: Komponenten, Datenflüsse, Systemgrenzen
• Datenintegration in der Cloud: Quellen, Formate und Speicherdienste in Azure
• Überblick über Azure-Dienste für KI: Machine Learning, Cognitive Services, OpenAI
• Governance, Sicherheit und Compliance in KI-Projekten
• Rollen im KI-Projekt: Data Scientist, ML Engineer, KI-Architekt und ihre Zusammenarbeit
• Planung einer einfachen Daten- und Modellpipeline mit Azure als Praxisbeispiel

Modul 2: Microsoft DP-100 – Azure Data Scientist Associate Das DP-100-Modul ist das datenwissenschaftliche Herzstück des Kurses. Hier lernen Teilnehmende, wie Machine-Learning-Modelle in Azure systematisch entwickelt, trainiert, evaluiert und für den produktiven Einsatz bereitgestellt werden.

• Einführung in Azure Machine Learning: Workspace, Compute, Datastores und Datasets
• Daten vorbereiten: Datentransformation, Feature Engineering und Pipeline-Aufbau
• Modelltraining: Experiment-Tracking, Hyperparameter-Tuning und AutoML
• Modell-Evaluation: Metriken, Konfusionsmatrizen und Bias-Analyse
• Deployment: Managed Endpoints, Batch-Inferenz und REST-API-Endpunkte
• Monitoring und Optimierung von ML-Modellen im produktiven Betrieb

Modul 3: Microsoft AI-102 – Azure AI Engineer Associate Das AI-102-Modul erweitert die datenwissenschaftliche Kompetenz aus DP-100 um die Integration fertiger Azure-KI-Dienste. Während DP-100 auf eigene Modelle fokussiert, zeigt AI-102, wie Microsoft-Fertigdienste für Sprache, Text, Vision und Entscheidungsunterstützung in Anwendungen eingebunden werden.

• Azure Cognitive Services: Sprach-, Text-, Bild- und Entscheidungsdienste konfigurieren
• Azure OpenAI: Modelle deployen, Prompts gestalten und Ausgaben verarbeiten
• Chatbots mit dem Azure Bot Service und Cognitive Services entwickeln
• Integration von KI-Diensten in bestehende Anwendungen via REST und Python-SDK
• Sicherheit und Skalierung von KI-Diensten in der Produktion
• Erstellen eines KI-basierten Chatbots mit Azure Cognitive Services als Praxisbeispiel

Modul 4: Python Basics (Zusatzqualifikation) Python ist die Arbeitssprache der KI-Entwicklung. Dieses Modul startet ohne Vorkenntnisse und führt systematisch in die Sprache ein, mit klarem Fokus auf die Anwendungsfälle, die in den Azure-Modulen relevant sind: Datenverarbeitung, API-Kommunikation und Skript-Automatisierung.

• Grundlagen der Python-Syntax: Variablen, Datentypen, Operatoren
• Kontrollstrukturen: Bedingungen, Schleifen und Ausnahmebehandlung
• Funktionen, Module und die Struktur Python-basierter Projekte
• Arbeiten mit Bibliotheken: NumPy für numerische Berechnungen, Pandas für Tabellendaten
• Datenvisualisierung mit Matplotlib: Liniendiagramme, Histogramme und Scatter Plots
• Einführung in objektorientierte Programmierung: Klassen, Objekte und Methoden

Modul 5: Python und Azure – Integration und Automatisierung Im letzten inhaltlichen Modul fließen Python und Azure zusammen. Teilnehmende lernen, wie Python-Skripte mit den Azure-ML-SDKs kommunizieren, Pipelines automatisieren und Modell-Endpunkte ansprechen können.

• Azure ML Python SDK: Verbindung mit dem Workspace, Experiment-Start und Ergebnis-Abruf
• Daten-Pipelines automatisieren: Skripte für regelmäßige Datentransformation
• Modell-Scoring über REST-Endpunkte mit Python-HTTP-Bibliotheken
• Fehlerbehandlung und Logging in produktiven Python-Skripten
• Dokumentation von Python-Projekten für die Teamarbeit
• Abschlussprojekt: Training und Deployment eines Python-ML-Modells in Azure ML

Praxisteil: Vollständige ML-Pipeline in Azure mit Python Der Praxisteil begleitet alle Module und führt zu einer vollständigen, dokumentierten ML-Pipeline.

• Einrichten eines Azure-ML-Workspace und der Entwicklungsumgebung
• Laden und Erkunden eines Datensatzes mit Pandas
• Bereinigen und transformieren der Daten mit Python-Skripten
• Erstellen eines Experiments in Azure ML Studio und Hochladen der Daten
• Trainieren eines ersten einfachen Modells und Auswerten der Ergebnisse
• Verfeinern des Modells durch Feature Engineering und Hyperparameter-Tuning
• Registrieren des fertigen Modells in der Azure ML Model Registry
• Deployen des Modells als Managed Endpoint
• Ansprechen des Endpunkts über eine einfache Python-REST-Anfrage
• Integrieren eines Azure-Cognitive-Services-Dienstes in die Pipeline
• Einrichten automatisierter Datenaktualisierungs-Skripte mit dem Azure ML SDK
• Abschluss-Dokumentation der Pipeline mit Architekturdiagramm und Betriebsanleitung

Am Ende des Praxisteils haben Teilnehmende eine vollständige ML-Pipeline in Azure gebaut, die sie als Referenzarchitektur für eigene Projekte verwenden und weiterentwickeln können.