Detaillierte Informationen zum Seminar
Inhalte:
MLOps mit MLflow: Machine-Learning-Prozesse strukturiert managen
In dieser praxisorientierten Schulung erfahren Sie, wie Sie mit MLflow Ihre Machine-Learning-Prozesse effizient, reproduzierbar und teamübergreifend gestalten. Sie lernen, Experimente transparent zu dokumentieren, Modelle strukturiert zu versionieren und den gesamten ML-Lifecycle professionell zu managen – von der Entwicklung bis zum produktiven Einsatz. Anhand praxisnaher Übungen erhalten Sie einen fundierten Einblick in MLflow als zentrale Plattform im modernen MLOps-Prozess und erarbeiten Best Practices für eine nachhaltige, sichere und skalierbare ML-Infrastruktur.
Schulungsinhalte
- Einführung in MLOps
- Was ist MLOps?
- Entstehung und Motivation von MLOps
- Unterschiede und Gemeinsamkeiten: MLOps vs. DevOps
- Herausforderungen im Machine Learning Lifecycle
- Überblick: MLflow und Alternativen
- MLflow Grundlagen: Was ist MLflow?
- Komponenten und Architektur (Tracking, Projects, Models, Registry)
- Open Source und kommerzielle Alternativen zu MLflow
- Erste Schritte mit MLflow
- Einführung in das MLflow Framework
- MLflow Tracking Server: Architektur und Funktionsweise
- MLflow Model Registry: Versionierung und Modellmanagement
- Lokales Aufsetzen von MLflow und MLflow Tracking Server
- Überblick: MLflow UI
- MLflow Tracking
- Experimente und Runs: Struktur und Best Practices
- Logging von Parametern, Metriken und Artefakten
- Arbeiten mit Artifacts, Parameters, Metadata, Metrics
- Vergleich und Analyse von Runs im MLflow UI
- Verschiedene Modellvarianten trainieren und vergleichen
- MLflow Model Registry
- Modelle registrieren, versionieren und verwalten
- Model Staging: Übergang von Experiment zu Staging und Production
- Modell-Promotion und -Archivierung
- Best Practices & Security
- MLflow Best Practices für produktive Umgebungen
- Security Best Practices (Authentifizierung, Zugriffskontrolle, Datenmanagement)
- Clean Up: Ressourcen und Artefakte verwalten und aufräumen
Dauer/zeitlicher Ablauf:
3 Tage
Teilnahmevoraussetzungen:
Grundlegende Kenntnisse in Machine Learning und den gängigen ML-Frameworks (z. B. scikit-learn, TensorFlow, PyTorch)
Lehrgangsverlauf/Methoden:
Unsere Webinare sind moderne, digitale Liveschulungen – die fast so ablaufen, als ob Sie vor Ort wären.
Material:
Im Preis enthalten sind Ihr WissensPiloten-Zertifikat zum Download und die Nutzung eines Professionelles Webinar / Online Meeting System
Förderung:
Bildungsscheck, andere Fördermöglichkeiten auf Anfrage
Zielgruppe:
ML-Ingenieur:innen, Data Scientists, DevOps-Spezialist:innen, die ihre Machine-Learning-Projekte effizient und zukunftssicher gestalten möchten.
Seminarkennung:
webinar-290105
