MLOps - Praxisorientierte Operationalisierung von Machine Learning
Classroom Schulung | Deutsch | Anspruch
Schulungsdauer: 2 Tage
Ziele
In dieser 2-tägigen Schulung "MLOps - Praxisorientierte Operationalisierung von Machine Learning" erwerben Sie ein tiefgreifendes Verständnis der Konzepte, Werkzeuge und Prozesse des Machine Learning Operations (MLOps). Sie lernen, wie sich ML-Modelle effizient entwickeln, versionieren, bereitstellen und überwachen lassen – von der Datenverwaltung über Feature Stores bis hin zum produktiven Betrieb in skalierbaren Umgebungen.
Durch eine Kombination aus Theorie, Best Practices und praktischen Übungen wird vermittelt, wie reproduzierbare, robuste und transparente ML-Workflows aufgebaut werden. Nach Abschluss der Schulung sind die Teilnehmer in der Lage, Machine-Learning-Modelle nahtlos in bestehende Systeme zu integrieren und deren Performance im laufenden Betrieb zu sichern.
Zielgruppe
- Data Scientists und Machine Learning Engineers, die ML-Modelle entwickeln, verwalten und optimieren
- Softwareentwickler mit ML-Bezug, die ML-Modelle in Anwendungen integrieren
- Data Engineers, die Datenmanagement, Feature Engineering und ML-Pipelines verantworten
- Produkt- und Innovationsmanager, die ML-Technologien strategisch einsetzen möchten
Voraussetzungen
- Grundkenntnisse in Python und Machine Learning sowie ein grundlegendes technisches Verständnis (z. B. Umgang mit Terminal oder Jupyter Notebooks) sind hilfreich, um die praktischen Übungen optimal nachzuvollziehen.
- Alle Schritte werden jedoch im Training live demonstriert und begleitet, sodass auch Teilnehmende mit weniger Programmiererfahrung aktiv mitwirken können.
Agenda
Modul 1: Machine Learning Grundlagen
- Einführung in zentrale Konzepte des Machine Learnings
- Überblick über überwachtes und unüberwachtes Lernen
- Modellarchitekturen, Trainings- und Evaluierungsmethoden
- Praktische Übung: Training eines ML-Modells mit TensorFlow
Modul 2: Data Versioning & Reproduzierbarkeit
- Bedeutung von Datenversionierung in ML-Prozessen
- Einführung in Tools wie DVC und Pachyderm
- Aufbau reproduzierbarer ML-Experimente
- Praktische Übung: Verwaltung von Datenpipelines mit DVC
Modul 3: Feature Stores für ML-Modelle
- Funktionsweise und Nutzen von Feature Stores
- Verwaltung konsistenter und wiederverwendbarer Features
- Einführung in Feast als Feature-Store-Lösung
- Praktische Übung: Aufbau einer eigenen Feature-Pipeline
Modul 4: Model Storage, Serving & Event-Based Pipelines
- Strategien zur Bereitstellung und Skalierung von ML-Modellen
- Vergleich von TFServe, KServe und Open-Source-Alternativen
- Einführung in eventbasierte ML-Pipelines für Echtzeitszenarien
- Praktische Übung: Bereitstellung und Überwachung eines Modells
Modul 5: Model Hosting & Data-Science-Plattformen
- Überblick über Kubeflow, MLflow und Metaflow
- Auswahlkriterien für geeignete ML-Plattformen
- Praktische Übung: Hosting und Verwaltung von ML-Modellen in einer Plattformumgebung
Modul 6: Monitoring, Transparenz & Data Quality
- Kontinuierliches Monitoring von ML-Modellen und Datenqualität
- Einsatz von Tools wie Evidently, NannyML, Great Expectations und DeeQu
- Aufbau von Dashboards mit Grafana
- Praktische Übung: Implementierung eines Monitoring-Setups für ein ML-Modell
Ziele
In dieser 2-tägigen Schulung "MLOps - Praxisorientierte Operationalisierung von Machine Learning" erwerben Sie ein tiefgreifendes Verständnis der Konzepte, Werkzeuge und Prozesse des Machine Learning Operations (MLOps). Sie lernen, wie sich ML-Modelle effizient entwickeln, versionieren, bereitstellen und überwachen lassen – von der Datenverwaltung über Feature Stores bis hin zum produktiven Betrieb in skalierbaren Umgebungen.
Durch eine Kombination aus Theorie, Best Practices und praktischen Übungen wird vermittelt, wie reproduzierbare, robuste und transparente ML-Workflows aufgebaut werden. Nach Abschluss der Schulung sind die Teilnehmer in der Lage, Machine-Learning-Modelle nahtlos in bestehende Systeme zu integrieren und deren Performance im laufenden Betrieb zu sichern.
Zielgruppe
- Data Scientists und Machine Learning Engineers, die ML-Modelle entwickeln, verwalten und optimieren
- Softwareentwickler mit ML-Bezug, die ML-Modelle in Anwendungen integrieren
- Data Engineers, die Datenmanagement, Feature Engineering und ML-Pipelines verantworten
- Produkt- und Innovationsmanager, die ML-Technologien strategisch einsetzen möchten
Voraussetzungen
- Grundkenntnisse in Python und Machine Learning sowie ein grundlegendes technisches Verständnis (z. B. Umgang mit Terminal oder Jupyter Notebooks) sind hilfreich, um die praktischen Übungen optimal nachzuvollziehen.
- Alle Schritte werden jedoch im Training live demonstriert und begleitet, sodass auch Teilnehmende mit weniger Programmiererfahrung aktiv mitwirken können.
Agenda
Modul 1: Machine Learning Grundlagen
- Einführung in zentrale Konzepte des Machine Learnings
- Überblick über überwachtes und unüberwachtes Lernen
- Modellarchitekturen, Trainings- und Evaluierungsmethoden
- Praktische Übung: Training eines ML-Modells mit TensorFlow
Modul 2: Data Versioning & Reproduzierbarkeit
- Bedeutung von Datenversionierung in ML-Prozessen
- Einführung in Tools wie DVC und Pachyderm
- Aufbau reproduzierbarer ML-Experimente
- Praktische Übung: Verwaltung von Datenpipelines mit DVC
Modul 3: Feature Stores für ML-Modelle
- Funktionsweise und Nutzen von Feature Stores
- Verwaltung konsistenter und wiederverwendbarer Features
- Einführung in Feast als Feature-Store-Lösung
- Praktische Übung: Aufbau einer eigenen Feature-Pipeline
Modul 4: Model Storage, Serving & Event-Based Pipelines
- Strategien zur Bereitstellung und Skalierung von ML-Modellen
- Vergleich von TFServe, KServe und Open-Source-Alternativen
- Einführung in eventbasierte ML-Pipelines für Echtzeitszenarien
- Praktische Übung: Bereitstellung und Überwachung eines Modells
Modul 5: Model Hosting & Data-Science-Plattformen
- Überblick über Kubeflow, MLflow und Metaflow
- Auswahlkriterien für geeignete ML-Plattformen
- Praktische Übung: Hosting und Verwaltung von ML-Modellen in einer Plattformumgebung
Modul 6: Monitoring, Transparenz & Data Quality
- Kontinuierliches Monitoring von ML-Modellen und Datenqualität
- Einsatz von Tools wie Evidently, NannyML, Great Expectations und DeeQu
- Aufbau von Dashboards mit Grafana
- Praktische Übung: Implementierung eines Monitoring-Setups für ein ML-Modell
