Kursbeschreibung

Von Datenmanagement bis zur fortgeschrittenen Modellüberwachung.
In unserem umfassenden MLOps-Training werden Sie von erfahrenen Trainern begleitet, die Ihnen zeigen, wie Sie Machine Learning-Projekte von der Konzeption bis zur Produktion erfolgreich managen. Der Kurs deckt eine Vielzahl von Themen ab, darunter Datenverarbeitung, Versionierung, Feature-Management und die Bereitstellung von Modellen. Wir nutzen interaktive Lernformate und praktische Übungen, um Ihnen den Umgang mit Industriestandard-Tools wie ScikitLearn, Keras und Kubeflow beizubringen. Dieses Seminar ist ideal für jene, die ihre Fähigkeiten in der Praxis anwenden und die neuesten Technologien und Methoden in der Welt des maschinellen Lernens erlernen möchten.

Inhalte
Grundlagen des maschinellen Lernens
- Alle Teilnehmer auf einen ähnlichen Wissensstand zum Thema Maschinelles Lernen bringen.
- Grundlagen zum Trainieren von Machine-Learning-Modellen und Kategorien mit praktischen Beispielen unter Verwendung von ScikitLearn und Keras.
Umgebungen für maschinelles Lernen
- Einführung in verschiedene Umgebungen für das Training und die Ausführung von Machine-Learning-Modellen.
- Diskussion über typische Einsatzszenarien und Unterschiede der Tools in diesen Umgebungen.
Daten Aufbereitung, Daten-Versionierung und Feature Stores
- Theoretische Grundlagen und Prinzipien der Daten-Versionierung im Vergleich zu Data Warehouses oder Data Lakes.
- Einführung und praktische Übungen mit Tools zur Daten-Versionierung, insbesondere mit dvc.
- Demonstration des Vergleichs von dvc mit dem Open-Source-Projekt Pachyderm.
- Theoretischer Überblick über das Konzept und die Bedeutung von Feature Stores.
- Praktische Umsetzung der Datenaufbereitung für Modelle mit dem Feature Store Feast
Pipelines und Orchestrierung
- Verständnis von Machine-Learning-Pipelines und deren Unterschiede zu traditionellen Continuous Integration oder ETL-Pipelines.
- Einführung in spezifische Orchestrierungstools wie Kubeflow, Prefect, Airflow und Argo Workflows.
- Datenqualitätsmanagement als essenzieller Bestandteil einer Daten Infrastruktur.
Modellaustauschformate
- Diskussion über die Bedeutung von Modellaustauschformaten in modernen KI-Anwendungen, speziell ONNX und PMML.
Modellbereitstellung
- Einführung in die Theorie von Deployments und Release Management.
- Die Rolle von Containern bei der Bereitstellung von Modellen.
- Übersicht über gängige Open-Source- und kommerzielle Frameworks zur Modellbereitstellung.
Modellüberwachung
- Lernen von wichtigen Metriken zur Überwachung von ML-Modellen während der Entwurfs-, Test- und Produktionsphasen.
- Einführung in spezifische Metriken für MLOps und Diskussion verschiedener Tools zur Überwachung.
- Übersicht über relevante KPIs und deren Interpretation.

Dieser Kurs findet im virtuellen Klassenzimmer mit Referent und anderen Teilnehmern statt.
Wie ein Virtual Classroom funktioniert, welche technischen Voraussetzungen nötig sind und vieles mehr erfahren Sie hier: https://akademie.tuv.com/page/digital-learning#faq