Schulungsübersicht
Einführung in Apache Airflow für Machine Learning
- Überblick über Apache Airflow und dessen Relevanz für Data Science
- Wichtige Funktionen zur Automatisierung von Machine-Learning-Workflows
- Einrichtung von Airflow für Data-Science-Projekte
Erstellung von Machine-Learning-Pipelines mit Airflow
- Design von DAGs für End-to-End-ML-Workflows
- Einsatz von Operatoren für Dateninhazie, Preprocessing und Feature Engineering
- Zeitplanung und Verwaltung von Abhängigkeiten in Pipelines
Modelltraining und Validierung
- Automatisierung von Modelltraining-Aufgaben mit Airflow
- Integration von Airflow in ML-Frameworks (z. B. TensorFlow, PyTorch)
- Validierung von Modellen und Speicherung von Bewertungsmetriken
Modellbereitstellung und Überwachung
- Bereitstellung von Machine-Learning-Modellen mithilfe automatisierter Pipelines
- Überwachung bereitgestellter Modelle mit Airflow-Tasks
- Behandlung von Retraining und Modellaktualisierungen
Erweiterte Anpassung und Integration
- Entwicklung benutzerdefinierter Operatoren für ML-spezifische Aufgaben
- Integration von Airflow mit Cloud-Plattformen und ML-Diensten
- Erweiterung von Airflow-Workflows mit Plugins und Sensoren
Optimierung und Skalierung von ML-Pipelines
- Verbesserung der Workflow-Leistung für große Datenmengen
- Skalierung von Airflow-Deployments mit Celery und Kubernetes
- Best Practices für produktionsreife ML-Workflows
Fallstudien und praktische Anwendungen
- Beispiele aus der Praxis zur Automatisierung von ML mit Airflow
- Praxisübung: Erstellung einer End-to-End-ML-Pipeline
- Diskussion von Herausforderungen und Lösungen im Management von ML-Workflows
Zusammenfassung und nächste Schritte
Voraussetzungen
- Vertrautheit mit Machine-Learning-Workflows und Konzepten
- Grundlegendes Verständnis von Apache Airflow, einschließlich DAGs und Operatoren
- Gute Programmierkenntnisse in Python
Zielgruppe
- Data Scientists
- Machine-Learning-Ingenieure
- KI-Entwickler
Erfahrungsberichte (2)
Erfahrungsaufbau im Bereich der Prompt-Wiederholung für Personen, die zuvor keine KI genutzt haben, sowie die Einführung alternativer Methoden der KI-Nutzung für bestehende Anwender.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
