Seminare
Seminare
  • Seminare
  • Anbieter
  • 5 km
  • 10 km
  • 25 km
  • 50 km
  • 100 km
  • 150 km
  • 200 km
  • 300 km

Transfer Learning: Modelle schneller produktiv machen

Webinar - PROKODA GmbH

Transfer Learning: Modelle schneller produktiv machen
Termin Ort Preis*
08.06.2026- 09.06.2026 online 1.297,10 €
08.06.2026- 09.06.2026 München 1.297,10 €
07.09.2026- 08.09.2026 München 1.297,10 €
07.09.2026- 08.09.2026 online 1.297,10 €

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:
  • Transfer-Learning-Strategien, die wirklich passen
    • Feature Extractor vs. Fine-Tuning: Entscheidungskriterien
    • Layer Freezing, Differential Learning Rates, Adapter
    • Domänen-Shift erkennen und begrenzen
    • Compute-, Zeit- und Qualitätsabschätzung
  • Datenarbeit für effizientes Fine-Tuning
    • Dataset Curation: Filtern, Deduplizieren, Label-Qualität
    • Augmentation und Sampling gegen Klassenungleichgewicht
    • Train/Validation/Test richtig schneiden (Leakage vermeiden)
    • Data-Centric Debugging mit Fehlerkategorien
  • Parameter-Efficient Fine-Tuning (PEFT)
    • LoRA und Adapter-Konzepte: wann sinnvoll, wann nicht
    • Quantization-aware Ansätze und Speicherplanung
    • Prompt Tuning und Prefix Tuning im Vergleich
    • Trade-offs: Latenz, Genauigkeit, Wartbarkeit
  • Training, Monitoring und Reproduzierbarkeit
    • Hyperparameter, Early Stopping, Regularisierung
    • Experiment-Tracking und Model Registry
    • Determinismus, Seeds, Versionierung von Daten
    • Overfitting erkennen: Lernkurven richtig lesen
  • Evaluierung, die Produktentscheidungen trägt
    • Passende Metriken: Accuracy, F1, AUC, Calibration
    • Robustheitstests: OOD, Stress- und Slice-Tests
    • Baseline-Design und Ablations, die Klarheit schaffen
    • Fehleranalyse: Confusion, Top-K, qualitative Reviews
  • Deployment und Betrieb von transferierten Modellen
    • Export, Serving, Batch vs. Realtime
    • Latency-Budgets, Throughput, Kosten pro Anfrage
    • Drift-Monitoring und Retraining-Trigger
    • Governance: Dokumentation, Freigaben, Risiken
Teilnahmevoraussetzungen:
  • Grundkenntnisse in Machine Learning und Modelltraining (Train/Validation/Test, Overfitting, Metriken).
  • Erfahrung mit mindestens einem ML-Framework ist hilfreich, aber nicht zwingend, da Übungen angeleitet werden.
Zielgruppe:
  • Machine-Learning Engineers und Data Scientists
  • AI Product Ownerinnen und AI Product Owner mit Modellverantwortung
  • Software Engineers, die Modelle deployen und betreiben
  • Data Engineers mit Schnittstelle zu Training und Datenqualität
  • Alle, die Transfer Learning planbar in Produkte bringen wollen
Nach unten
Nach oben
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern. Diese Cookies werden nicht automatisiert gesetzt. Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren. Weitere Informationen finden Sie hier.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha