Kontakt aufnehmen

Schulungsübersicht

Einführung

  • Unterschiede zwischen maschinellen Lernmodellen und herkömmlicher Software

Überblick über den DevOps-Arbeitsablauf

Überblick über den Arbeitsablauf im maschinellen Lernen

Maschinelles Lernen als Code sowie Datenverwaltung

Bestandteile eines ML-Systems

Fallstudie: Eine Anwendung zur Umsatzprognose

Datenzugriff

Datensuche und -validierung

Datenumwandlung

Von der Datenpipeline zur ML-Pipeline

Erstellung des Datenmodells

Trainieren des Modells

Validierung des Modells

Reproduzierbarkeit des Trainingprozesses

Bereitstellung eines Modells

Einbetten eines trainierten Modells in die Produktivumgebung

Testen eines ML-Systems

Orchestrierung der kontinuierlichen Auslieferung

Überwachung des Modells

Versionierung von Daten

Anpassung, Skalierung und Pflege einer MLOps-Plattform

Fehlerbehebung

Zusammenfassung und Abschluss

Voraussetzungen

  • Grundverständnis des Softwareentwicklungszyklus
  • Erfahrung beim Erstellen oder Arbeiten mit maschinellen Lernmodellen
  • Kenntnisse der Programmiersprache Python

Zielgruppe

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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien