MLOps und ML-Pipelines: Von der Entwicklung zur Produktion

• Tag 1: Experiment Tracking, Reproduzierbarkeit und Feature Engineering
• 1. Das MLOps-Problem: Warum Notebooks nicht reichen
  
• 2. Experiment Tracking: MLflow und Weights & Biases
  
• 3. Daten-Management und Feature Engineering für Produktion
  
• Tag 2: Pipelines, CI/CD und Model Serving
• 4. ML-Pipelines: Training automatisieren
  
• 5. Model Serving: Modelle als API bereitstellen
  
• 6. Deployment-Strategien und A/B-Testing
  
• Tag 3: Monitoring, Retraining und Praxis-Workshop
• 7. Model Monitoring: Drift erkennen bevor es zu spät ist
  
• 8. Retraining und Continuous Training
  
• 9. MLOps-Architektur und Praxis-Workshop
  
• MLOps-Architektur-Patterns (20 Min):
  
• Praxis-Workshop (60 Min):
  
• ...

Den kompletten Seminarinhalt finden Sie auf der Anbieterseite

• Data Scientists: Die Modelle in Jupyter Notebooks entwickeln, aber nicht wissen, wie sie diese reproduzierbar, versioniert und automatisiert in Produktion bringen.
• ML Engineers und Platform Engineers: Die ML-Infrastruktur für Data-Science-Teams aufbauen und betreiben.
• DevOps Engineers: Die CI/CD beherrschen, aber ML-spezifische Anforderungen (Daten-Versionierung, Experiment Tracking, Model Registry, Drift Monitoring) noch nicht kennen.
• Data-Science-Teamleiter: Die einen strukturierten MLOps-Prozess etablieren - statt Ad-hoc-Deployments per E-Mail.

Voraussetzungen: Machine-Learning-Grundkenntnisse (was ist Training, was ist Inference, was ist ein Modell). Python-Kenntnisse. Idealerweise Besuch eines ML-Grundkurses oder vergleichbare Praxiserfahrung. Keine MLOps-Vorkenntnisse nötig.