Schulungsübersicht

Einführung

  • Machine-Learning-Modelle vs. traditionelle Software

Überblick über den DevOps-Arbeitsablauf

Überblick über den Machine-Learning-Arbeitsablauf

ML als Code plus Daten

Komponenten eines ML-Systems

Fallstudie: Eine Verkaufsprognoseanwendung

Aufbereitung der Daten

Validierung der Daten

Datentransformation

Von Data Pipeline zu ML Pipeline

Aufbau des Datamodells

Training des Modells

Validierung des Modells

Wiederholung des Modelstrainings

Bereitstellung eines Modells

Einstellen eines trainierten Modells in die Produktion

Testen eines ML-Systems

Continuous-Delivery-Orchestrierung

Überwachung des Modells

Daten-Versionierung

Anpassen, Skalieren und Warten einer MLOps-Plattform

Troubleshooting

Zusammenfassung und Fazit

Voraussetzungen

  • Ein Verständnis des Softwareentwicklungszyklus
  • Erfahrung im Bau oder der Arbeit mit Machine-Learning-Modellen
  • Kenntnisse in Python-Programmierung

Zielgruppe

  • ML-Ingenieure
  • DevOps-Ingenieure
  • Dateningenieure
  • Infrastruktur-Ingenieure
  • Softwareentwickler
 35 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien