Grundlagen des maschinellen Lernens in der Produktion und von MLOps

Die Entwicklung eines Machine-Learning-Modells in einer Sandbox-Umgebung ist nur der erste Schritt. Die eigentliche Herausforderung besteht darin, es in einer produktiven Umgebung bereitzustellen, zu skalieren und zu warten. Dieser textbasierte Kurs schließt die Lücke zwischen theoretischer Datenwissenschaft und praktischer Machine-Learning-Entwicklung. Sie lernen, experimentellen Code zu schreiben und durchgängige Produktionspipelines zu entwerfen. Sie erwerben ein fundiertes Verständnis dafür, wie Sie Projekte planen, zuverlässige Baselines erstellen, Datenpipelines verwalten, Modelle bereitstellen und kontinuierliches Monitoring implementieren, um Herausforderungen wie Konzeptdrift zu bewältigen. Lerninhalte: - Die Kernphasen des Machine-Learning-Lebenszyklus in der Produktion verstehen – von der Projektplanung bis zum Systemdesign. - Leistungsmetriken festlegen und strukturierte Fehleranalysen durchführen, um die Modelliteration zu steuern. Robuste Datenpipelines entwerfen und Datenqualitätsprobleme beheben, einschließlich Konzept- und Datendrift. - Bereitstellungsstrategien konfigurieren und geeignete Architekturen für Echtzeit- und Batch-Vorhersagen auswählen. - Die Live-Modellleistung mithilfe moderner Observability-Konzepte und automatisierter Feedbackschleifen überwachen. Der Kurs beginnt mit den grundlegenden Definitionen von Produktionssystemen und den Prinzipien von MLOps, bevor er Sie durch die Datenaufbereitung, Bereitstellungsmuster und die Wartung nach der Bereitstellung führt. Anhand schriftlicher Erklärungen und praktischer Codebeispiele lernen Sie, wie ein Machine-Learning-Ingenieur zu denken. Dieser Kurs richtet sich an angehende ML-Ingenieure, Data Scientists und Entwickler, die neu in Produktionsworkflows sind. Vorkenntnisse in MLOps sind nicht erforderlich, da wir mit den absoluten Grundlagen des Produktionslebenszyklus beginnen. Starten Sie noch heute Ihre Reise zum Aufbau zuverlässiger, produktionsreifer Machine-Learning-Systeme.