In diesem Kapitel erhältst du die Fähigkeiten und das Wissen, um deine Machine-Learning-Modelle aus der Forschungs- und Entwicklungsphase in eine Produktionsumgebung zu überführen. Du lernst den Weg vom Forschungsprototyp zu einem zuverlässigen, skalierbaren und wartbaren System kennen.

Eine MLOps-Denkweise übernehmen

Was ist ein zentraler Aspekt von MLOps?

Was sind technische Schulden?

Wartbaren ML-Code schreiben

Versionskontrolle

Code-Organisation

Effektive ML-Dokumentation schreiben

Warum Methoden zum Labeln dokumentieren?

MLOps Best Practices

Vom Research in die Produktion

In diesem Kapitel lernst du, warum Reproduzierbarkeit im Machine Learning so wichtig ist und wie du sicherstellst, dass deine Modelle auch langfristig reproduzierbar und verlässlich bleiben. Du entdeckst verschiedene Techniken und Best Practices, mit denen du die Reproduzierbarkeit deiner Modelle garantieren kannst.

Reproduzierbare Experimente entwerfen

Reproduzierbarkeit in ML

Zentrale Aspekte für Reproduzierbarkeit und Zuverlässigkeit erkennen

Optionen

Tools & Best Practices für Zuverlässigkeit

Vorteile von Zuverlässigkeit

Elemente der Zuverlässigkeit sortieren

Aspekte der Reproduzierbarkeit

Dokumentationspraktiken

Aspekte der Reproduzierbarkeit und Dokumentationspraktiken sortieren

Feature Engineering

Data Preparation Techniques

Feature Engineering Goals

Ziele und Techniken des Feature Engineerings klassifizieren

Techniken zur Datenmanipulation und -transformation erkennen

Feature Selection

Versionierung von Daten und Modellen

Model Store

Trainingsdaten versionieren

Modell-/Datenversionierung

Experimente entwerfen

Reproduzierbarkeit sicherstellen

In Kapitel 3 beschäftigst du dich mit den Herausforderungen bei der Bereitstellung von Machine-Learning-Modellen in Produktionsumgebungen. Du lernst unterschiedliche Ansätze für das Deployment von ML-Modellen in der Produktion kennen sowie Strategien für das Monitoring und den laufenden Betrieb von ML-Modellen.

ML-Modelle paketieren

Ziel von Serialisierung und Containerisierung

Reihenfolge beim Verpacken von Modellen

Skalierbarkeit

Skalierung

Modellkomplexität

Skalierungstechniken kategorisieren

Automatisierung

Vorteile von Continuous Delivery

CI/CD-Schritte

ML-Modelle in Produktion bringen

ML in Produktionsumgebungen

Im letzten Kapitel lernst du verschiedene Möglichkeiten kennen, ML-Pipelines zu testen und sicherzustellen, dass sie wie erwartet funktionieren. Du erfährst, warum das Testen von ML-Pipelines entscheidend ist, und lernst Techniken zum Testen und Validieren von ML-Pipelines.

Zuverlässigkeit von Modellen

Teststrategien für Einsatzbereitschaft und Staleness von ML-Pipelines kategorisieren

Modellveraltung in Machine-Learning-Pipelines begegnen

Daten testen

Den richtigen Test wählen

Konsistenzprüfung

Modelle testen

Customer Lifetime Value vorhersagen

Fairness klassifizieren

ML-Pipelines testen

Glückwunsch!

Ein Großteil der heutigen Inhalte zu Machine Learning konzentriert sich auf das Trainieren von Modellen und das Tuning von Parametern. Doch 90 % der experimentellen Modelle schaffen es nie in die Produktion – meist, weil sie nicht auf Langlebigkeit ausgelegt sind. In diesem Kurs lernst du, wie du deine Perspektive vom reinen ML-Engineering hin zu MLOps (Machine Learning Operations) verschiebst. So kannst du Modelle trainieren, dokumentieren, betreiben und skalieren – und ihr volles Potenzial ausschöpfen.

Viele der heutigen Inhalte zum maschinellen Lernen drehen sich um das Training von Modellen und die Optimierung von Parametern, aber 90 % der experimentellen Modelle schaffen es nie in die Produktion, vor allem weil sie nicht auf Dauer angelegt sind. In diesem Kurs lernst du, wie du durch einen Wechsel deiner Denkweise von Machine Learning Engineering zu MLOps (Machine Learning Operations) deine Modelle optimal trainieren, dokumentieren, pflegen und skalieren kannst.
Einfach experimentieren und dokumentieren
Mit ML-Modellen rumzuexperimentieren macht oft Spaß, kann aber echt viel Zeit fressen. Hier lernst du, wie du reproduzierbare Experimente planst, um diesen Prozess zu beschleunigen, während du gleichzeitig Dokumentationen für dich und deine Teamkollegen schreibst, was die zukünftige Arbeit an der Pipeline zum Kinderspiel macht.
MLOps-Modelle für die Produktion erstellen
Du lernst die besten Methoden zum Verpacken und Serialisieren von Modellen und Umgebungen für die Produktion kennen, damit die Modelle möglichst lange halten.
Skalier und automatisier deine ML-Pipelines
Wenn du die Komplexität der Modelle und Daten sowie die kontinuierliche Automatisierung berücksichtigst, kannst du sicherstellen, dass deine Modelle für den Produktionseinsatz skaliert werden und im Handumdrehen überwacht und bereitgestellt werden können.

Wenn du diesen Kurs abgeschlossen hast, kannst du Machine-Learning-Modelle entwerfen und entwickeln, die einsatzbereit sind, und sie im Laufe der Zeit immer weiter verbessern.

MLOps Concepts

Supervised Learning with scikit-learn

Wechseln Sie zu MLOps, um ML-Modelle optimal zu trainieren, zu dokumentieren, zu pflegen und zu skalieren.

ML-Modelle für den Produktionseinsatz entwickeln

Wechsel zu einer MLOps-Denkweise, mit der du deine Machine-Learning-Modelle trainieren, dokumentieren, pflegen und auf ihr volles Potenzial skalieren kannst.

MLOps-Grundlagen

Protokollierung von Eingabedaten und Einstellungen

Bessere Zusammenarbeit zwischen Teams ermöglichen

Elemente der Zuverlässigkeit sortieren

ML-Modelle für den Produktionseinsatz entwickeln

Interaktive Übung