Zuerst lernst du die zentralen Merkmale von MLOps kennen. Du erkundest den Machine-Learning-Lebenszyklus, seine Phasen und die Rollen, die mit MLOps-Prozessen verbunden sind.

Was ist MLOps?

MLOps erklären

Optionen

Maßnahmen im Einklang mit MLOps-Grundsätzen

Maßnahmen nicht im Einklang mit MLOps-Grundsätzen

MLOps-Grundsätze

Die verschiedenen Phasen in MLOps

Der ML-Lebenszyklus

Design

Entwicklung

Bereitstellung

Aufgaben pro Phase

Rollen im MLOps

Dein MLOps-Team

Data Engineer

Data Scientist

Zentrale Rollen in MLOps-Prozessen

Einführung in MLOps

Anschließend lernst du die Phase Design und Entwicklung im Machine-Learning-Lebenszyklus kennen. Du beschäftigst dich mit Nutzenschätzung, Datenqualität, Feature Stores und Experiment-Tracking.

MLOps-Design

Geschäftliche Anforderungen identifizieren

Zentrale Kennzahlen

Datenqualität und -ingestion

Datenqualität bestimmen

Dimensionen der Datenqualität

Feature Engineering

Modellleistung verbessern

Einem Freund helfen

Experiment-Tracking

Was können wir tracken?

Experiment-Tracking überspringen

Design und Entwicklung

In diesem Kapitel tauchst du in Konzepte zur Bereitstellung von Machine Learning in Produktion ein, etwa Laufzeitumgebungen, Containerisierung, CI/CD-Pipelines und Bereitstellungsstrategien.

Modell für die Bereitstellung vorbereiten

Laufzeitumgebungen

Containerisieren oder nicht containerisieren

Architektur für das Deployment von Machine Learning

Microservice

API-Datenfluss

CI/CD und Bereitstellungsstrategie

CI/CD-Pipelines

Deployment-Strategien

Automatisierung und Skalierung

Wie Komponenten automatisieren und skalieren

MLOps-Komponenten

Machine Learning in Produktion bereitstellen

Zum Schluss lernst du, wie Machine Learning in Produktion betrieben wird – mit Themen wie statistischem und rechnerischem Monitoring, Retraining, verschiedenen MLOps-Reifegraden sowie Tools, die im Machine-Learning-Lebenszyklus Prozesse vereinfachen.

Überwachung von Machine-Learning-Modellen

Monitoring von Machine Learning

Statistisches vs. computergestütztes Monitoring

Ein Machine-Learning-Modell neu trainieren

Beispiele für Drift

Neutrainieren

Reifegrade von MLOps

MLOps-Reifegrad

MLOps-Reifestufen

MLOps-Tools

Ein Tool verwenden

Wähle das richtige Tool

Rückblick: MLOps-Konzepte

Machine Learning in Produktion betreiben

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

Rohdaten aus verschiedenen Quellen extrahieren und an einem zentralen Ort speichern.

Sicherstellen, dass eingehende Daten gemäß den Anforderungen an die Datenqualität validiert werden.

Datenpipelines entwerfen und warten, um effizienten Datenfluss und Zugänglichkeit für Analysen sicherzustellen.

Hyperparameter-Tuning durchführen, um den Trainingsprozess des Modells zu optimieren.

Die Leistung des Machine-Learning-Modells gemäß den Leistungsanforderungen bewerten.

Machine-Learning-Modelle entwickeln und implementieren, um konkrete Geschäftsprobleme zu lösen.

Zentrale Rollen in MLOps-Prozessen

Interaktive praktische Übung