Seminare
Seminare

Transfer Learning: Modelle schneller produktiv machen

Webinar - PROKODA GmbH

Transfer Learning: Modelle schneller produktiv machen
Termin Ort Preis*
11.01.2027- 12.01.2027 München 1.297,10 €
11.01.2027- 12.01.2027 online 1.297,10 €
15.03.2027- 16.03.2027 online 1.297,10 €
15.03.2027- 16.03.2027 München 1.297,10 €

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:

Transfer-Learning-Strategien auswählen

  • Feature Extraction als Startpunkt
  • Fine-Tuning kompletter Modellschichten
  • Layer Freezing und Auftau-Strategien
  • Differential Learning Rates
  • Domänen-Shift und Modellpassung
  • Compute-, Zeit- und Qualitätsabschätzung

Datenqualität und Fine-Tuning-Vorbereitung

  • Dataset Curation und Filterregeln
  • Deduplizierung von Trainingsdaten
  • Label-Qualität und Fehlerklassen
  • Leakage-freie Datensplits
  • Sampling bei Klassenungleichgewicht
  • Augmentation mit Kontrollmechanismen

Parameter-Efficient Fine-Tuning mit PEFT

  • LoRA-Grundprinzip und Einsatzgrenzen
  • Adapter-Konzepte für Modellanpassung
  • Prompt Tuning und Prefix Tuning
  • Quantisierung und Speicherplanung
  • Trade-offs bei Latenz und Genauigkeit
  • Wartbarkeit transferierter Modelle

Training, Experimentsteuerung und Reproduzierbarkeit

  • Hyperparameter und Suchräume
  • Early Stopping und Regularisierung
  • Lernkurven und Overfitting-Indikatoren
  • Experiment-Tracking und Model Registry
  • Seeds, Determinismus und Versionierung
  • Nachvollziehbare Trainingsläufe

Evaluierung für Produktentscheidungen

  • Accuracy, F1, AUC und Calibration
  • Baseline-Design und Ablations
  • Slice-Tests für kritische Teilmengen
  • OOD-, Stress- und Robustheitstests
  • Confusion-Analyse und Top-K-Reviews
  • Qualitative Fehleranalyse

Deployment und Betrieb transferierter Modelle

  • Model Export und Serving-Optionen
  • Batch- und Realtime-Inferenz
  • Latency-Budgets und Throughput
  • Kosten pro Anfrage
  • Drift-Monitoring und Retraining-Trigger
  • Dokumentation, Freigaben und Risiken
Teilnahmevoraussetzungen:
  • Grundkenntnisse in Machine Learning, Modelltraining und Evaluierung
  • Sicherheit bei Train-, Validation- und Test-Splits sowie Overfitting-Grundlagen
  • Erfahrung mit Python oder einem ML-Framework, beispielsweise aus dem Python Machine Learning Grundkurs
  • Grundverständnis neuronaler Netze, hilfreich durch Vorkenntnisse aus Deep Learning, Neuronale Netze und Visualisierung mit Python
Zielgruppe:
  • Machine-Learning Engineers und Data Scientists, die vortrainierte Modelle gezielt an eigene Daten und Domänen anpassen
  • Software Engineers und MLOps Engineers, die Fine-Tuning-Ergebnisse deployen, überwachen und versionieren
  • AI Product Ownerinnen und AI Product Owner mit Verantwortung für Modellqualität, Kosten und Produktentscheidungen
  • Data Engineers mit Schnittstelle zu Trainingsdaten, Data Contracts, Datenqualität und reproduzierbaren ML-Pipelines
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