Schulungsübersicht

Einführung

  • Maschinelles Lernen im Vergleich zu traditioneller Software

Überblick über den DevOps-Workflow

Überblick über den Workflow des maschinellen Lernens

ML als Code plus Daten

Komponenten eines ML-Systems

Fallstudie: Eine Verkaufsprognoseanwendung

Zugriff auf Daten

Validierung von Daten

Datentransformation

Von der Datenpipeline zur ML-Pipeline

Erstellung des Datenmodells

Training des Modells

Validierung des Modells

Wiederholung der Modelltrainingsschritte

Bereitstellung eines Modells

Bereitstellung eines trainierten Modells in Produktion

Testen eines ML-Systems

Orchestrierung kontinuierlicher Lieferungen

Überwachung des Modells

Daten Versionierung

Anpassen, Skalieren und Wartung einer MLOps-Plattform

Problembehandlung

Zusammenfassung und Schlussfolgerung

Voraussetzungen

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

Zielgruppe

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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien