First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

MLOps-Design

Geschäftliche Anforderungen identifizieren

Optionen

Data Scientist

Fachexpertin/Fachexperte

Business-Stakeholder

Zentrale Kennzahlen

Datenqualität und -ingestion

Datenqualität bestimmen

Accuracy

Completeness

Consistency

Dimensionen der Datenqualität

Feature Engineering

Modellleistung verbessern

Ansätze im Feature Engineering

Einem Freund helfen

Experiment-Tracking

Was können wir tracken?

Experiment-Tracking überspringen

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoring machine learning models

Machine learning monitoring

Statistical vs. computational monitoring

Retraining a machine learning model

Examples of drift

Retraining

Levels of MLOps maturity

MLOps maturity

MLOps maturity levels

MLOps tools

Using a tool

Pick the right tool

Recap: MLOps concepts

Maintaining Machine Learning in Production

Course Glossary

Das Verständnis von Machine Learning Operations (MLOps) ist für Data Scientists, Engineers und Führungskräfte entscheidend, um Machine-Learning-Modelle vom lokalen Notebook in ein produktives, funktionsfähiges Modell zu überführen. Dieser Kurs führt dich in die wichtigsten Prozesse, Phasen und Reifegrade von MLOps ein – von Design und Entwicklung über Bereitstellung bis hin zum Monitoring. Du erfährst, wie Automatisierung Organisationen dabei hilft, ihre Machine-Learning-Modelle effizient zu starten, zu überwachen und zu aktualisieren.

<h2>Erfahre mehr über Machine Learning Operations (MLOps)</h2>
Das Verständnis der MLOps-Konzepte ist für jeden Datenwissenschaftler, Ingenieur oder jede Führungskraft unerlässlich, um Machine-Learning-Modelle von einem lokalen Notebook zu einem funktionierenden Modell in der Produktion zu bringen.
<br><br>
In diesem Kurs lernst du, was MLOps ist, verstehst die verschiedenen Phasen des MLOps-Prozesses und erkennst die verschiedenen Reifegrade von MLOps. Nachdem du die wichtigsten MLOps-Konzepte kennengelernt hast, bist du gut gerüstet, um maschinelles Lernen kontinuierlich, zuverlässig und effizient umzusetzen.
<br><br>
<h2>Entdecke, wie maschinelles Lernen skaliert und automatisiert werden kann</h2>
Wie können wir unsere Machine-Learning-Projekte mit einem Minimum an Zeit und Ressourcen skalieren? Und wie können wir unsere Prozesse automatisieren, um den Bedarf an manuellen Eingriffen zu verringern und die Modellleistung zu verbessern? Das sind grundlegende Fragen des maschinellen Lernens, auf die MLOps die Antworten liefert.
<br><br>
In diesem MLOps-Kurs lernst du zunächst die Grundlagen von MLOps kennen, indem du dir die wichtigsten Funktionen und die damit verbundenen Rollen ansiehst. Als Nächstes wirst du die verschiedenen Phasen des Lebenszyklus des maschinellen Lernens genauer kennenlernen.
<br><br>
Im weiteren Verlauf lernst du auch Systeme und Tools kennen, mit denen du maschinelles Lernen besser skalieren und automatisieren kannst, z. B. Feature Stores, Experiment Tracking, CI/CD Pipelines, Microservices und Containerisierung. Du lernst die wichtigsten MLOps-Konzepte kennen und bekommst ein besseres Verständnis für ihre Anwendung.

Understanding Machine Learning

Understanding Data Engineering

Entdecken Sie, wie MLOps ML-Modelle von Notebooks zu produktiven Modellen mit echtem Geschäftswert bringt.

MLOps-Konzepte

Hier erfährst du, wie du ML-Modelle in den Produktivbetrieb überführst, um einen echten Business Value zu schaffen.

Associate AI Engineer für Datenwissenschaftler

Ingenieur für maschinelles Lernen

Machine Learning in der Produktion in Python

MLOps-Grundlagen

Es scheint, dass viele Kundinnen und Kunden 123456 als Postleitzahl eingetragen haben.

Nach einer Untersuchung stellte sich heraus, dass 30 % der Werte falsch sind.

Das Alter der Kundin bzw. des Kunden fehlt bei 45 % aller Einträge.

Für eine Produktgruppe fehlen 60 % der Werte.

In einer Tabelle ist das „Alter“ der Kundin bzw. des Kunden die Zeit seit der ersten Bestellung; in einer anderen Tabelle ist es das tatsächliche biologische Alter.

Beim Vergleich zweier Tabellen zeigt sich, dass dieselbe customer id sich auf zwei unterschiedliche Personen beziehen kann.

Dimensionen der Datenqualität

Interaktive praktische Übung