MLOps - Skalier- und wartbare ML-Projekte

In diesem Seminar erfahren Sie, wie Sie Machine-Learning-Modelle wartbar und automatisiert betreiben. Sie versionieren Modelle, setzen CI/CD-Pipelines auf und etablieren Monitoring-Strategien für Performance und Stabilität.
<br>
<br>Sie lernen Tools wie MLflow und DVC kennen und setzen damit reproduzierbare und kontrollierbare ML-Prozesse im Unternehmenskontext um – von der Entwicklung bis zur Live-Anwendung.
<br>
<br>Hinweis:
<br>Dieses Seminar ist ein Angebot der PC-COLLEGE - Gruppe.
<br><br>
<b>Inhalt:</b>
<ul>
<li>Was ist MLOps – und warum ist es notwendig?</li>
<li>- Herausforderungen im produktiven ML-Betrieb</li>
<li>- Typische Fehlerquellen und Lösungen</li>
<li>Projektstruktur und Versionierung</li>
<li>- Daten, Code, Parameter und Modelle nachvollziehbar organisieren</li>
<li>Modell-Tracking mit MLflow</li>
<li>- Experimente dokumentieren</li>
<li>- Ergebnisse vergleichen</li>
<li>- Modelle registrieren</li>
<li>Automatisierung im Trainingsprozess</li>
<li>- Wiederholbare Abläufe mit einfachen Skripten oder CI-Tools</li>
<li>Monitoring und Nachvollziehbarkeit</li>
<li>- Modellqualität beobachten</li>
<li>- Drifts erkennen</li>
<li>- Retraining vorbereiten</li>
<li>Modellbereitstellung im Unternehmenskontext</li>
<li>- Deployment-Varianten</li>
<li>- Modell als API</li>
<li>- Zusammenarbeit mit DevOps-Teams</li>
</ul>

Erfahrung mit Python und ML-Workflows. Grundkenntnisse im Umgang mit ML-Frameworks (z. B. Scikit-Learn, TensorFlow oder PyTorch) und gängige DevOps-Tools (Git, Bash) sind hilfreich.

Nach dem Kurs können Sie ML-Modelle in automatisierte Workflows integrieren, dokumentieren, überwachen und bei Bedarf automatisiert retrainieren.

Im Preis enthalten sind PC-COLLEGE - Zertifikat, Pausenverpflegung, Getränke und Kursmaterial.

PC-COLLEGE-Schulungshaus

Weiterführende Informationen auf der Seite des Anbieters