Ein praktischer Einstieg und umfassender Einblick in MLOps.

Dieses zweitägige Training bietet Data-Science-Spezialisten eine praxisorientierte Einführung in MLOps, das durch Automatisierung und Standardisierung den gesamten Machine-Learning-Lebenszyklus optimiert. Mit Fokus auf Code- und Datenversionierung sowie Modellparameterüberwachung sorgt es für konsistente und reproduzierbare Ergebnisse. Continuous Integration und Continuous Deployment (CI/CD) beschleunigen die Markteinführung neuer ML-Lösungen und verbessern die Effizienz des Entwicklungsprozesses.

Unser Trainerteam besteht aus Fachleuten, die sowohl in der Machine Learning-Forschung tätig sind als auch über umfangreiche Erfahrung in der praktischen Implementierung von Datenmodellen in Unternehmen verfügen.

  • Grundlagen des Machine Learning und Fachterminologie auffrischen
  • Techniken zur Datengewinnung und -aufbereitung und -versionierung kennenlernen
  • MLOps prozesse verstehen und entwickeln: Modelltraining und entwicklung mittels Pipelines
  • Nutzung von DVC zur Versionierung der Daten und CML für ML-Pipelines
  • Weitere Tools wie MLFlow und Kubeflow des MLOps Ecosystems kennenlernen
  • Die Teilnehmenden benötigen einen Laptop mit direktem Zugang zum Internet
  • Unser Training richtet sich an Personen, welche mit Daten und Datenmodellen arbeiten und bereits Vorkenntnisse im Bereich Data Science besitzen und Techniken und Prozesse erlernen wollen, aus diesen Daten und Modellen Services bereitzustellen und pflegen.
  • CHF 1900 / Person für zwei Tage
  • Gruppen von 8-24 Personen
  • Inklusive Verpflegung, Unterlagen und Trainingsumgebung in der Cloud
  • Rabatt ab 12 Personen

Trainingsinhalt

Unsere Trainings bestehen aus abwechslungsreichen Präsentationen und hands-on Labs, um deren Inhalt auf spannende Art und Weise zu übermitteln. Gerne nehmen wir in Absprache auch Bezug auf eure Infrastruktur. Bei Bedarf für weitere Inhalte können wir auf euren Wunsch hin Anpassungen vornehmen.

MLOps Data Science

  • Recap Machine Learning, Modelltypen und deren Anwendungsbereiche
  • Datensammeln und -aufbereiten mittels verschiedener Technikenn
  • Modelltraining und -tuning Code Spaces/GitHub Actions im Free Tier
  • Problemstellung: Prozess reproduzierbar und messbar machen
  • Vom Prototyp zur Pipeline
  • ML-Pipelines und Testing
  • Datenversionierung
  • Metriken und Experimente
Firmen

Individuelle Firmen-Trainings möglich. Preis und Termine nach Absprache.

Lerne zwei deiner Trainer kennen

Sigve Haug

Trainer

Sigve ist Studienleiter am Mathematischen Institut (MAI) der Uni Bern.

icon/Linkedin
Iwan Imsand

Trainer

Iwan mag das Zitat von Don Draper: Make it simple, but significant.

icon/Linkedin
zur Trainingsübersicht