Kontakt aufnehmen

Schulungsübersicht

Einführung

  • ML-Modelle versus traditionelle Software

Überblick über den DevOps-Arbeitsablauf

Überblick über den Arbeitsablauf des maschinellen Lernens

ML as Code Plus Data

Komponenten eines ML-Systems

Fallstudie: Eine Verkaufsprognose-Anwendung

Zugriff auf Daten

Validierung von Daten

Datentransformation

Vom Daten-Pipeline zum ML-Pipeline

Erstellung des Datenmodells

Training des Modells

Validierung des Modells

Reproduktion des Modelltrainings

Bereitstellung eines Modells

Betrieb eines trainierten Modells in der Produktion

Testen eines ML-Systems

Orchestrierung der kontinuierlichen Auslieferung

Überwachung des Modells

Datenversionierung

Anpassung, Skalierung und Wartung einer MLOps-Plattform

Fehlerbehebung

Zusammenfassung und Ausblick

Voraussetzungen

  • Verständnis des Softwareentwicklungszyklus
  • Erfahrung im Aufbau oder in der Arbeit mit ML-Modellen
  • Kenntnisse in der Python-Programmierung

Zielgruppe

  • ML-Ingenieurinnen und -Ingenieure
  • DevOps-Ingenieurinnen und -Ingenieure
  • Data Engineers
  • Infrastruktur-Ingenieurinnen und -Ingenieure
  • Softwareentwicklerinnen und -entwickler
 35 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien