Machine Learning Job bekommen 2026: Praxis-Roadmap

Du willst 2026 einen Machine Learning Job bekommen, aber gerade fühlt es sich an, als würden alle anderen schon Modelle trainieren, Papers lesen und bei SAP, BMW oder N26 Interviews führen. Du scrollst durch Stellenanzeigen, siehst Python, PyTorch, MLOps, Cloud, SQL, LLMs, Kubernetes, Feature Stores, und denkst dir: “Okay, wo zur Hölle fange ich an?”

Die gute Nachricht: Du brauchst keinen perfekten Lebenslauf und keinen PhD, um in Machine Learning reinzukommen. Du brauchst eine klare Roadmap, sichtbare Praxis und Bewerbungsunterlagen, die nicht nach “Onlinekurs gesammelt” klingen.

Die schlechte Nachricht: 2026 reicht es nicht mehr, nur ein paar Kaggle-Notebooks hochzuladen. Firmen wollen sehen, dass du Probleme verstehst, Daten sauber behandelst, Modelle bewerten kannst und zumindest grob weißt, wie so ein Modell später in Produktion läuft.

Lass uns das sauber auseinandernehmen. Locker, konkret, ohne Bullshit.

Was “Machine Learning Job” 2026 wirklich bedeutet#

Machine Learning ist nicht ein Job. Es ist eher eine Jobfamilie.

Wenn du “Machine Learning Engineer” googelst, findest du Anzeigen, die komplett unterschiedlich aussehen. Bei Siemens kann es um Predictive Maintenance gehen. Bei BMW vielleicht um Computer Vision für Produktion oder Fahrerassistenz. Bei Trade Republic eher um Fraud Detection, Ranking oder Nutzerverhalten. Bei Personio könnten Matching, Dokumentenverarbeitung oder HR-Automation im Fokus stehen.

Du musst also zuerst wissen, auf welche Rolle du wirklich zielst.

Die wichtigsten ML-Rollen 2026

1. Machine Learning Engineer Du baust ML-Systeme, trainierst Modelle, deployest sie, überwachst Performance und arbeitest eng mit Software Engineers.

   Typisches Gehalt in Deutschland: ca. €65k bis €95k, Senior auch €100k bis €130k.

2. Data Scientist mit ML-Fokus Du analysierst Daten, baust Modelle, erklärst Ergebnisse und hilfst Produkt oder Business bei Entscheidungen.

   Typisches Gehalt: ca. €55k bis €85k.

3. MLOps Engineer Du kümmerst dich um Pipelines, Deployment, Monitoring, Infrastruktur, CI/CD und Modellversionierung.

   Typisches Gehalt: ca. €70k bis €110k.

4. AI Engineer oder LLM Engineer Du arbeitest mit Large Language Models, RAG-Systemen, Embeddings, Prompting, Evaluation und APIs.

   Typisches Gehalt: ca. €65k bis €105k, je nach Firma und Erfahrung.

5. Research Scientist Stärker wissenschaftlich, oft mit Master, PhD oder sehr starken Veröffentlichungen.

   Typisches Gehalt: ca. €70k bis €120k, bei Big Tech auch mehr.

Wenn du gerade einsteigst, ist meistens diese Reihenfolge sinnvoll:

1. Data Scientist mit ML-Fokus
2. Junior Machine Learning Engineer
3. AI Engineer mit Produktfokus
4. MLOps Junior, wenn du schon DevOps oder Backend kannst

Was Firmen 2026 wirklich suchen#

Viele Bewerber denken: “Ich muss alle Algorithmen können.”

Nein.

Du musst genug Theorie verstehen, aber Firmen stellen dich nicht ein, weil du auswendig erklären kannst, wie Backpropagation mathematisch hergeleitet wird. Sie stellen dich ein, wenn du zeigen kannst: Ich löse ein echtes Problem mit Daten, Code und sauberer Kommunikation.

Typische Anforderungen in Stellenanzeigen

Bei Firmen wie SAP, Siemens, BMW, N26, Personio, Delivery Hero oder Trade Republic tauchen häufig diese Skills auf:

1. Python
2. SQL
3. Pandas, NumPy
4. Scikit-learn
5. PyTorch oder TensorFlow
6. Datenvisualisierung
7. Git
8. Cloud, meistens AWS, Azure oder GCP
9. Docker
10. APIs, etwa FastAPI
11. Experiment Tracking, zum Beispiel MLflow oder Weights & Biases
12. Modellmonitoring
13. LLM-Grundlagen, Embeddings, RAG
14. Sehr wichtig: Kommunikation mit Product, Engineering und Stakeholdern

Der letzte Punkt wird massiv unterschätzt.

Wenn du einem Hiring Manager erklären kannst, warum dein Modell 87 Prozent Accuracy hat, aber trotzdem im echten Betrieb problematisch wäre, bist du vielen Junior-Bewerbern voraus.

Die 90-Tage-Roadmap für deinen Machine Learning Einstieg#

Du brauchst keine fünfjährige Lernreise. Du brauchst 90 fokussierte Tage, in denen du nicht nur konsumierst, sondern baust.

Das Ziel ist nicht: “Ich lerne Machine Learning.”

Das Ziel ist: “Ich habe nach 90 Tagen ein Portfolio, mit dem ich mich auf echte Jobs bewerben kann.”

Tag 1 bis 15: Fundament legen

In den ersten zwei Wochen geht es um Grundlagen. Nicht glamourös, aber wichtig.

Lerne oder wiederhole:

1. Python Basics
2. Funktionen, Klassen, Fehlerbehandlung
3. Pandas für Datenanalyse
4. NumPy für Arrays und Berechnungen
5. SQL Basics, Joins, Group By, Window Functions
6. Git und GitHub
7. Jupyter Notebooks, aber bitte nicht nur Notebook-Code

Dein Mini-Ziel nach 15 Tagen:

Du kannst einen CSV-Datensatz laden, bereinigen, analysieren, visualisieren und auf GitHub sauber dokumentieren.

Ein gutes kleines Projekt:

Analyse von Lieferzeiten bei Delivery Hero-ähnlichen Bestelldaten

Du simulierst oder nutzt öffentliche Daten und beantwortest Fragen wie:

1. Wann sind Lieferzeiten am höchsten?
2. Welche Faktoren beeinflussen Verspätungen?
3. Welche Features wären für ein Vorhersagemodell sinnvoll?

Wichtig: Schreib ein README, als würdest du es einem Team Lead erklären. Nicht “I used pandas”. Sondern:

“Ziel war es, Lieferverzögerungen früh zu erkennen. Ich habe fehlende Werte geprüft, Ausreißer behandelt und Features wie Bestellzeit, Wochentag und Distanz erstellt.”

Das klingt direkt nach Job.

Tag 16 bis 35: Klassisches Machine Learning

Jetzt gehst du in echte Modelle rein.

Lerne:

1. Train-Test-Split
2. Cross Validation
3. Overfitting und Underfitting
4. Linear Regression
5. Logistic Regression
6. Random Forest
7. Gradient Boosting, etwa XGBoost oder LightGBM
8. Metriken: Accuracy, Precision, Recall, F1, ROC-AUC, MAE, RMSE
9. Feature Engineering
10. Baseline-Modelle

Dein Projekt sollte kein Spielzeug sein.

Gute Projektideen:

1. Churn Prediction für ein SaaS-Produkt wie Personio Vorhersage, welche Kunden kündigen könnten.

2. Fraud Detection für eine Fintech-App wie N26 oder Trade Republic Erkennung verdächtiger Transaktionen.

3. Predictive Maintenance für Siemens oder BMW Vorhersage, wann eine Maschine ausfallen könnte.

4. Preisprognose für Gebrauchtwagen Nicht super originell, aber okay, wenn du es sauber machst.

Der Trick: Nimm ein Business-Problem.

Schreib nicht: “Ich habe Random Forest verwendet.”

Schreib:

“Das Modell priorisiert Kunden mit hohem Kündigungsrisiko, damit Customer Success gezielt eingreifen kann. Recall war wichtiger als Accuracy, weil verpasste Kündigungen teurer sind als falsch-positive Warnungen.”

Das ist die Sprache, die Hiring Manager lieben.

Tag 36 bis 55: Deep Learning und LLMs, aber pragmatisch#

2026 kommst du an LLMs nicht vorbei. Aber du musst nicht dein eigenes GPT trainieren. Bitte nicht.

Du solltest verstehen:

1. Was Embeddings sind
2. Wie Transformer grob funktionieren
3. Was Fine-Tuning bedeutet
4. Was RAG ist
5. Wie man LLM-Antworten evaluiert
6. Welche Risiken es gibt, Halluzinationen, Datenschutz, Kosten
7. Wie man APIs nutzt, ohne alles blind zu glauben

Baue ein LLM-Projekt mit echtem Nutzen

Ein starkes Portfolio-Projekt:

Interner Support-Assistent für HR-Dokumente, inspiriert von Personio

Funktionen:

1. Nutzer stellt eine Frage, zum Beispiel “Wie viele Urlaubstage habe ich in der Probezeit?”
2. System sucht relevante Dokumente über Embeddings
3. LLM beantwortet nur auf Basis dieser Dokumente
4. Antwort enthält Quellen
5. Wenn nichts gefunden wird, sagt das System ehrlich: “Ich habe keine sichere Quelle gefunden.”

Tech-Stack:

1. Python
2. FastAPI
3. Chroma oder FAISS
4. OpenAI API oder ein lokales Modell
5. Streamlit oder kleines Web-UI
6. Docker optional, aber gut

Warum dieses Projekt stark ist:

Es zeigt, dass du moderne AI nutzen kannst, aber nicht naiv bist. Du denkst an Quellen, Evaluation und Nutzervertrauen.

Was du nicht machen solltest

Bitte keine Portfolio-Projekte wie:

1. “Chatbot, der alles beantworten kann”
2. “Image Classifier für Katzen und Hunde”
3. “Titanic Prediction ohne Kontext”
4. “Sentiment Analysis auf Twitter, aber Twitter heißt jetzt anders und die Daten sind alt”
5. “Ich habe GPT gefragt und das Notebook kopiert”

Solche Projekte schreien: Tutorial.

Du willst Projekte, die nach echtem Produktproblem aussehen.

Tag 56 bis 75: MLOps, Deployment und Produktion#

Hier trennst du dich von 80 Prozent der Junior-Bewerber.

Viele können ein Modell trainieren. Wenige können zeigen, wie es verwendet wird.

Du brauchst keine perfekte Produktionsinfrastruktur. Aber du solltest die Grundidee verstehen.

Was du lernen solltest

1. Docker Basics
2. FastAPI für Modell-APIs
3. MLflow für Experiment Tracking
4. GitHub Actions für einfache CI
5. Modellversionierung
6. Logging
7. Monitoring-Konzepte
8. Data Drift und Model Drift
9. Cloud-Grundlagen, AWS, Azure oder GCP
10. Datenschutz und DSGVO-Grundlagen

Dein MLOps-Projekt

Nimm dein bestes ML-Modell und packe es in eine kleine API.

Beispiel:

Fraud Detection API für Fintech-Transaktionen

Ablauf:

1. API nimmt Transaktionsdaten an
2. Modell gibt Risikoscore zurück
3. Antwort enthält Score und einfache Erklärung
4. MLflow speichert Experimente
5. Dockerfile startet die App
6. README erklärt Setup und Grenzen

Bonus:

1. Kleine Tests mit pytest
2. GitHub Actions Workflow
3. Beispiel-Requests
4. Kurze Notiz zu Fairness und False Positives
5. Monitoring-Konzept, auch wenn nur theoretisch beschrieben

Das reicht für ein starkes Junior-Portfolio.

Du zeigst nicht nur: “Ich kann trainieren.”

Du zeigst: “Ich denke wie jemand, der in einem Engineering-Team arbeiten kann.”

Tag 76 bis 90: Bewerbungsmaschine bauen#

Jetzt wird aus Lernen ein Jobprozess.

Viele verlieren hier Wochen, weil sie noch “ein bisschen mehr lernen” wollen. Klassische Falle.

Ab Tag 76 bewirbst du dich.

Nicht erst, wenn du dich bereit fühlst. Du wirst dich nie komplett bereit fühlen.

Deine Zielrolle festlegen

Wähle maximal zwei Zielrollen:

1. Junior Machine Learning Engineer
2. Data Scientist, Machine Learning
3. AI Engineer
4. Junior MLOps Engineer

Wenn du dich gleichzeitig auf Data Analyst, Backend Developer, Prompt Engineer, Product Manager und ML Engineer bewirbst, wirkt dein Profil zufällig.

Besser:

“Ich bin Python-orientierter Machine Learning Engineer mit Fokus auf tabellarische Modelle, LLM-Anwendungen und Deployment.”

Das ist klar.

Deine Zielfirmenliste

Baue eine Liste mit 40 bis 60 Firmen.

Mische bekannte Namen und kleinere Firmen:

1. SAP
2. Siemens
3. BMW
4. Bosch
5. N26
6. Trade Republic
7. Personio
8. Delivery Hero
9. Zalando
10. Celonis
11. Flix
12. AutoScout24
13. DeepL
14. Mistral AI, falls du EU-weit schaust
15. Aleph Alpha
16. Startups in Berlin, München, Hamburg, Köln, Amsterdam, Paris, Barcelona

Sortiere sie in drei Gruppen:

1. Traumfirmen
2. Realistische Firmen
3. Übungsfirmen

Ja, Übungsfirmen. Nicht böse gemeint. Du brauchst Interviewpraxis.

Dein Lebenslauf für Machine Learning Jobs#

Dein CV muss schnell zeigen, dass du praktisch liefern kannst.

Recruiter scannen deinen Lebenslauf in Sekunden. ATS-Systeme scannen ihn noch schneller.

Was oben rein muss

Direkt unter Name und Kontakt:

Profilzeile

Beispiel:

“Machine Learning Engineer mit Python, Scikit-learn, PyTorch und FastAPI. Fokus auf Fraud Detection, LLM-RAG-Anwendungen und Deployment von ML-Modellen.”

Dann Skills, aber sauber gruppiert:

Skills

1. Programming: Python, SQL, Git
2. ML: Scikit-learn, XGBoost, PyTorch, MLflow
3. Data: Pandas, NumPy, PostgreSQL
4. Deployment: FastAPI, Docker, GitHub Actions
5. AI: Embeddings, RAG, LLM APIs
6. Cloud: AWS Basics oder Azure Basics

Bitte keine 80 Tools in einer Zeile. Das wirkt nach Keyword-Suppe.

Projekte im CV richtig formulieren

Schlecht:

“Built machine learning model for fraud detection.”

Besser:

“Entwickelte ein Fraud-Detection-Modell für synthetische Fintech-Transaktionen mit XGBoost, erreichte 0,91 ROC-AUC und optimierte Recall, um riskante Transaktionen früh zu markieren. Deployment als FastAPI-Service mit Docker, Experiment Tracking via MLflow.”

Das ist konkret.

Noch besser, wenn du Zahlen hast:

1. Datensatzgröße
2. Metrik
3. Verbesserung gegenüber Baseline
4. genutzter Stack
5. Link zu GitHub oder Demo

Wenn du keine Berufserfahrung hast

Dann werden Projekte deine Erfahrung.

Nenne den Abschnitt nicht “Hobbyprojekte”, sondern:

Selected Machine Learning Projects

Oder auf Deutsch:

Ausgewählte Machine-Learning-Projekte

Pro Projekt:

1. Problem
2. Daten
3. Modell
4. Ergebnis
5. Deployment oder Demo
6. Link

Drei starke Projekte reichen.

Lieber drei gute als acht halbgare.

LinkedIn und GitHub: Dein stilles Bewerbungsgespräch#

Viele unterschätzen, wie oft Hiring Manager nachschauen.

Wenn dein GitHub leer ist oder nur “Untitled.ipynb” zeigt, verlierst du Punkte.

Dein GitHub sollte so aussehen

Für jedes Projekt:

1. Klarer Repository-Name
2. README mit Problem, Setup, Ergebnis
3. requirements.txt oder pyproject.toml
4. src-Ordner, nicht nur Notebook
5. Beispielbilder oder API-Screenshots
6. Kurzer Abschnitt “Limitations”
7. Kurzer Abschnitt “Next Steps”

Ein gutes README ist fast so wichtig wie der Code.

Warum?

Weil viele Hiring Manager nicht jede Codezeile lesen. Sie wollen schnell verstehen, ob du sauber denkst.

LinkedIn optimieren

Dein LinkedIn-Headline sollte nicht nur “Student” sagen.

Besser:

“Machine Learning Engineer, Python, LLMs, MLOps, building RAG and fraud detection projects”

Oder Deutsch:

“Junior Machine Learning Engineer, Python, LLMs, MLOps, Fokus auf produktionsnahe ML-Projekte”

Poste ruhig 2 bis 4 Beiträge über deine Projekte.

Zum Beispiel:

1. “Ich habe eine Fraud-Detection-API mit FastAPI und XGBoost gebaut. Drei Dinge, die ich gelernt habe…”
2. “Warum Accuracy bei Betrugserkennung oft die falsche Metrik ist”
3. “Mein RAG-Projekt beantwortet HR-Fragen nur mit Quellen, hier ist die Architektur”
4. “MLflow hat mir geholfen, Experimente sauber zu vergleichen”

Das klingt vielleicht cringe. Ist es aber nicht, wenn du konkret bleibst.

Interviews: Was dich wirklich erwartet#

ML-Interviews sind oft eine Mischung aus Theorie, Coding, Projektgespräch und Systemdenken.

Runde 1: Recruiter Call

Typische Fragen:

1. Warum Machine Learning?
2. Warum diese Firma?
3. Was suchst du im nächsten Job?
4. Gehaltsvorstellung?
5. Verfügbarkeit?
6. Arbeitserlaubnis, Standort, Remote?

Gehaltsantwort für Deutschland, Junior ML:

“Für Junior Machine Learning Engineer Rollen sehe ich je nach Verantwortung und Standort etwa €60k bis €75k als marktüblich. Mir ist aber auch wichtig, dass Rolle, Lernkurve und Team passen.”

Wenn du schon Software-Erfahrung hast, kannst du höher gehen.

In München bei BMW oder Siemens sind €65k bis €85k für starke Junior bis Mid-Level Profile realistisch. In Berlin bei Fintechs wie N26 oder Trade Republic kann es ähnlich sein, manchmal mit Bonus oder Equity.

Runde 2: Technisches Interview

Du solltest erklären können:

1. Bias-Variance Tradeoff
2. Overfitting
3. Train-Test-Split
4. Cross Validation
5. Precision vs Recall
6. ROC-AUC
7. Feature Leakage
8. Umgang mit fehlenden Werten
9. Klassengewichtung bei Imbalance
10. Warum ein Modell in Produktion schlechter werden kann

Eine typische Frage:

“Du baust ein Modell zur Kündigungsvorhersage. Die Accuracy ist 95 Prozent. Warum könnte das trotzdem schlecht sein?”

Gute Antwort:

“Wenn nur 5 Prozent der Kunden kündigen, kann ein Modell mit immer ‘kündigt nicht’ schon 95 Prozent Accuracy erreichen. Ich würde Confusion Matrix, Recall für Kündiger, Precision und eventuell PR-AUC prüfen. Außerdem würde ich mit dem Business klären, wie teuer False Negatives und False Positives sind.”

Das ist stark.

Runde 3: Coding oder Take-Home

Du bekommst vielleicht:

1. SQL-Aufgabe
2. Python-Datenaufgabe
3. Modellierungsaufgabe
4. API-Design
5. Case Study

Bei Take-Homes gilt:

1. Lies die Aufgabe genau
2. Mach zuerst eine simple Baseline
3. Dokumentiere Annahmen
4. Vermeide unnötige Komplexität
5. Schreibe klare Ergebnisse
6. Nenne Grenzen deines Ansatzes
7. Gib Empfehlungen für nächste Schritte

Viele gewinnen Take-Homes nicht mit dem besten Modell, sondern mit der saubersten Denkweise.

Die häufigsten Fehler, die dich 2026 ausbremsen#

Fehler 1: Nur Kurse sammeln

Zertifikate sind okay. Aber kein Hiring Manager sagt: “Wow, fünf Udemy-Kurse, sofort einstellen.”

Kurse helfen dir beim Lernen. Jobs bekommst du über Beweise.

Beweise sind:

1. Projekte
2. GitHub
3. klare Metriken
4. Deployment
5. verständliche Kommunikation
6. Interviewleistung

Fehler 2: Zu viel Theorie, zu wenig Anwendung

Ja, du solltest wissen, was Regularisierung ist.

Aber du musst nicht drei Monate lineare Algebra wiederholen, bevor du dein erstes Modell baust.

Lerne Theorie immer am Projekt.

Wenn dein Modell overfittet, lernst du Regularisierung. Wenn deine Klassen unausgeglichen sind, lernst du Precision, Recall und Sampling. Wenn dein RAG-System Mist antwortet, lernst du Evaluation.

Fehler 3: Kein klares Profil

“Data enthusiast passionate about AI” ist zu generisch.

Besser:

“Python Machine Learning Engineer mit Fokus auf tabellarische ML-Modelle, LLM-RAG-Systeme und Deployment via FastAPI.”

Das ist greifbar.

Fehler 4: Projekte ohne Business-Kontext

Ein Modell ohne Problem ist nur Spielerei.

Schreib immer dazu:

1. Wer nutzt das?
2. Welche Entscheidung wird besser?
3. Welche Metrik zählt?
4. Was kostet ein Fehler?
5. Wie würde man es im Betrieb überwachen?

Fehler 5: Bewerben erst nach Perfektion

Du wirst nie fertig sein.

Es gibt immer noch ein Tool, noch ein Paper, noch ein Framework.

Bewerben ist Teil des Lernens. Nach zehn Bewerbungen weißt du mehr über den Markt. Nach fünf Interviews weißt du, welche Lücken wirklich relevant sind.

Welche Skills du 2026 priorisieren solltest#

Wenn du nur begrenzt Zeit hast, priorisiere so:

Must-have

1. Python
2. SQL
3. Pandas
4. Scikit-learn
5. Git
6. Modellmetriken
7. Datenbereinigung
8. Feature Engineering
9. ein starkes End-to-End-Projekt
10. klare Kommunikation

Sehr wertvoll

1. PyTorch
2. FastAPI
3. Docker
4. MLflow
5. LLMs und RAG
6. Cloud Basics
7. Experiment Tracking
8. CI/CD Basics

Nice-to-have

1. Kubernetes
2. Feature Stores
3. Spark
4. Airflow
5. Ray
6. Fine-Tuning großer Modelle
7. Deep Learning Research

Wenn du Junior bist, versuch nicht, alles gleich tief zu können.

Ein Profil wie dieses ist stark genug:

“Ich kann klassische ML-Probleme sauber lösen, ein Modell als API deployen und ein einfaches RAG-System bauen.”

Damit kannst du 2026 echte Gespräche bekommen.

Beispiel-Wochenplan für Berufstätige#

Wenn du neben Job oder Studium lernst, brauchst du keinen 10-Stunden-Tag.

Plane 8 bis 12 Stunden pro Woche.

Montag, 1 Stunde

Theorie und Notizen:

1. Metriken
2. Modellkonzepte
3. SQL
4. LLM-Grundlagen

Dienstag, 1,5 Stunden

Projektarbeit:

1. Daten laden
2. Bereinigung
3. Feature Engineering

Mittwoch, 1 Stunde

Coding Practice:

1. Python
2. SQL
3. kleine ML-Aufgaben

Donnerstag, 1,5 Stunden

Modellierung:

1. Baseline
2. Verbesserungen
3. Auswertung

Samstag, 3 bis 4 Stunden

Deep Work:

1. Deployment
2. README
3. GitHub Cleanup
4. Demo
5. Blog oder LinkedIn-Post

Sonntag, 1 Stunde

Bewerbung oder Reflexion:

1. CV verbessern
2. Jobs speichern
3. Kontakte anschreiben
4. Interviewfragen üben

So kommst du in 12 Wochen massiv voran, ohne dein Leben komplett zu zerlegen.

Networking ohne peinliches Anschreiben#

Du musst keine fremden Leute anbetteln.

Aber du solltest sichtbar werden.

Gute Nachricht an jemanden bei SAP, BMW oder Personio

“Hi Laura, ich interessiere mich gerade stark für Machine Learning Rollen im Produktumfeld und habe gesehen, dass du bei Personio an Data-Themen arbeitest. Ich baue aktuell ein kleines RAG-Projekt für HR-Dokumente und würde mich freuen, wenn ich dir 2 kurze Fragen zu eurem Arbeitsalltag stellen darf. Kein Pitch, wirklich nur Orientierung.”

Das ist okay.

Kurz, respektvoll, konkret.

Schlechte Nachricht

“Hi, can you refer me?”

Ohne Kontext, ohne Beziehung, ohne Mühe. Funktioniert selten.

Besser ist:

1. Profil anschauen
2. Bezug herstellen
3. kleine Frage stellen
4. nicht direkt um Job bitten
5. später, wenn passend, nach Empfehlung fragen

Dein konkreter Aktionsplan ab heute#

Wenn du jetzt loslegen willst, mach es simpel.

Heute

1. Wähle deine Zielrolle.
2. Erstelle einen GitHub-Ordner für dein erstes ML-Projekt.
3. Suche einen Datensatz mit Business-Kontext.
4. Schreibe in eine Datei: Problem, Nutzer, Metrik, Ziel.
5. Blocke dir drei Lerntermine diese Woche.

Diese Woche

1. Datenanalyse fertigstellen
2. Baseline-Modell bauen
3. README beginnen
4. SQL üben
5. 5 Stellenanzeigen analysieren

Diesen Monat

1. Erstes klassisches ML-Projekt abschließen
2. Zweites LLM oder RAG-Projekt starten
3. CV auf ML-Profil ausrichten
4. LinkedIn-Headline ändern
5. 10 Bewerbungen rausschicken

In 90 Tagen

Du solltest haben:

1. 2 bis 3 starke Projekte
2. GitHub mit sauberem README
3. ML-CV mit Keywords und Metriken
4. LinkedIn-Profil mit klarem Fokus
5. 40 bis 60 Bewerbungen
6. erste Interviews
7. bessere Klarheit, was Firmen wirklich wollen

Fazit: Du brauchst keine Magie, du brauchst Beweise#

Machine Learning Jobs 2026 sind kompetitiv, ja. Aber nicht unmöglich.

Du musst nicht alles können. Du musst zeigen, dass du echte Probleme mit Daten, Modellen und Code lösen kannst.

Wenn dein Profil klar ist, deine Projekte nach Praxis aussehen und dein CV die richtigen Signale sendet, hast du eine echte Chance, auch ohne perfekten akademischen Hintergrund.

Starte klein, baue sichtbar, bewirb dich früher als angenehm. Genau da passiert der Fortschritt.

Wenn du wissen willst, ob dein Lebenslauf überhaupt durch ATS-Systeme kommt und für Machine Learning Rollen stark genug wirkt, teste ihn kostenlos mit dem JobRise ATS Checker: https://jobrise.io/de/free-ats-checker/