AI Courses Germany: Bewerben mit Portfolio – GitHub, Readme, Demos, Interviews

Ein gutes Portfolio ersetzt kein Bewerbungsgespräch – es sorgt aber dafür, dass du eingeladen wirst. 2025 schauen Recruiting‑Teams in Deutschland zuerst auf GitHub, Doku und Demo. Dieser Beitrag zeigt, wie du ein Portfolio aufbaust, das fokussiert, klickbar und „stellenscharf“ ist – inklusive 30‑Tage‑Plan.

Wähle ein Leuchtturm‑Projekt. Es sollte End‑to‑End sein: Datenaufnahme, Validierung, Features, Modell, Metriken, Tests, Deployment und Monitoring. Ein kleiner, aber kompletter Use Case schlägt fünf halbfertige Notebooks. Beispiele: Churn‑Vorhersage, Nachfrageprognose, Ticket‑Klassifikation oder eine RAG‑Anwendung auf deutschen Dokumenten.

GitHub‑Hygiene: Nutze eine klare Repo‑Struktur (src/, notebooks/, tests/, data/README.md, infra/). Ein prägnantes Readme beantwortet: Was tut das Projekt? Welche Annahmen? Wie starte ich es lokal und in der Cloud? Welche Kosten und Limits? Füge ein Architekturdiagramm und einen 90‑Sekunden‑Screencast hinzu. Ein gutes Readme ist deine Startseite.

Tests und CI/CD sind Differenzierungsmerkmale. Lege Unit‑Tests für zentrale Funktionen an (Datenvalidierung, Feature‑Logik, Metrik‑Berechnung). GitHub Actions: Linting, Tests, Build, Docker‑Image, Staging‑Deploy. Verlinke zu den letzten Pipeline‑Runs. Das zeigt, dass du Team‑ready bist.

Live‑Demo: Stelle eine kleine API (FastAPI) und optional ein Mini‑Frontend bereit. Nutze einen kostengünstigen Hoster und definiere Budget‑Caps. Logge Anfragen und Antworteigenschaften anonymisiert. Setze ein ❤️‑Badge im Readme mit Live‑URL und Status (Up/Down). Füge einen Fallback („lokal starten“) hinzu – Interviewräume haben oft restriktive Netze.

Storytelling fürs Interview: Entwickle drei Stories à 2–3 Minuten – Problem, Ansatz, Resultat, Trade‑offs. Beispiele: „Wie habe ich Data Leakage entdeckt und behoben“, „Warum habe ich MSE gegen MAE getauscht“, „Wie reduziere ich Kosten pro Anfrage bei einer GenAI‑App“. Übe mit Timebox; klare, knappe Antworten bleiben hängen.

Rollen‑Mapping: Erstelle Varianten deines Repos. Für Data Engineering betonst du ELT‑Pipelines, Datenmodelle und SQL‑Tests. Für ML Engineering hebst du Trainings‑Pipelines, Feature Stores und Experiment‑Tracking hervor. Für MLOps fokussierst du CI/CD, Observability und Betrieb. Drei Branches mit unterschiedlichen Readmes reichen; so zielst du „stellenscharf“.

LinkedIn und Sichtbarkeit: Teile Fortschritt wöchentlich. Poste Metriken, kurze Demos und Lernnotizen auf Deutsch. Bitte um Micro‑Feedback („Wer 10 Minuten für mein Readme hat: Was fehlt?“). Sichtbarkeit bringt warm introductions – gerade in Deutschland sehr wirksam.

Ein 30‑Tage‑Plan: Tage 1–3 Scoping und Repo‑Setup, 4–7 Daten und Baseline, 8–12 Features und Metriken, 13–16 Tests und Refactoring, 17–20 Docker, CI/CD, 21–24 Cloud‑Deploy und Monitoring, 25–27 Screencast, Readme‑Feinschliff, 28–30 Bewerbungen und Mock‑Interviews. Setze feste Milestones und feiere kleine Abschlüsse – Motivation ist Teil der Strategie.

Wie hilft dir der richtige Kurs? Achte auf Programme mit Portfolio‑Fokus: Code‑Reviews, Demo‑Day, Career Coaching. Ein gutes Zertifikat ist der Start; ein gutes Portfolio ist der Hebel. Kurse, die echte Partner‑Briefings integrieren, liefern dir direkt interview‑reife Stories.

Fazit: Dein Portfolio ist mehr als Code – es ist ein Produkt. Mache es verständlich, klickbar und auf Rollen zugeschnitten. Mit AI Courses Germany findest du die Kurse und die Begleitung, die dich vom Abschluss zum Angebot bringen.