Schulungsübersicht
Einführung in Apache Airflow für den Einsatz im Machine Learning
- Überblick über Apache Airflow und seine Bedeutung für die Datenwissenschaft
- Wichtige Funktionen zur Automatisierung von Machine-Learning-Workflows
- Einrichtung von Airflow für Data-Science-Projekte
Entwicklung von Machine-Learning-Pipelines mit Airflow
- Gestaltung von DAGs für vollständige ML-Workflows
- Einsatz von Operatoren zur Datenerfassung, Vorverarbeitung sowie Merkmalsextraktion
- Planung und Verwaltung der Abhängigkeiten zwischen einzelnen Pipeline-Schritten
Modelltraining und -validierung
- Automatisierung von Trainingsaufgaben mit Airflow
- Integration von Airflow mit Machine-Learning-Frameworks wie TensorFlow oder PyTorch
- Validierung der Modelle sowie Speicherung der Bewertungsergebnisse
Modellbereitstellung und -überwachung
- Bereitstellung von Machine-Learning-Modellen mithilfe automatisierter Pipelines
- Überwachung veröffentlichter Modelle durch spezielle Airflow-Tasks
- Umgang mit Neutrainingsprozessen sowie Modellaktualisierungen
Fortgeschrittene Anpassungen und Integrationen
- Erstellung individueller Operatoren für spezifische Machine-Learning-Aufgaben
- Verbindung von Airflow mit Cloud-Plattformen sowie Machine-Learning-Diensten
- Erweiterung der Workflows durch Plugins und Sensoren
Optimierung und Skalierung von Machine-Learning-Pipelines
- Steigerung der Effizienz bei Verarbeitung großer Datenmengen
- Skalierung von Airflow-Installationen mithilfe von Celery und Kubernetes
- Best Practices für produktionsreife Machine-Learning-Workflows
Fallstudien und praktische Anwendungsbeispiele
- Reale Beispiele für die Automatisierung von Machine-Learning-Prozessen mit Airflow
- Praxisübung: Erstellung einer vollständigen ML-Pipeline
- Diskussion typischer Herausforderungen bei der Verwaltung von Machine-Learning-Workflows
Zusammenfassung und weitere Schritte
Voraussetzungen
- Grundkenntnisse in Machine-Learning-Workflows sowie verwandten Konzepten
- Grundverständnis von Apache Airflow – insbesondere DAGs und Operatoren
- Sichere Programmierkenntnisse in Python
Zielgruppe
- Datenwissenschaftler
- Machine-Learning-Ingenieure
- KI-Entwickler
Erfahrungsberichte (3)
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
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
Dass es reale Firmendaten verwendete. Der Trainer hatte einen sehr guten Ansatz, indem er die Teilnehmer aktiv einbezog und sie miteinander wetteifern ließ.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kurs - Applied AI from Scratch in Python
Maschinelle Übersetzung
