Ein praktischer Einstieg und umfassender Einblick in MLOps.

Dieses zweitägige Training bietet einen praktischen Einstieg in MLOps, das den Machine-Learning-Lebenszyklus durch Automatisierung und Standardisierung optimiert. Die Versionierung von Code und Daten sowie die Überwachung der Modellparameter sorgen für konsistente, reproduzierbare Ergebnisse. Continuous Integration und Continuous Deployment (CI/CD) beschleunigen die Markteinführung neuer ML-Produkte.

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 der Datenvorbereitung verstehen
  • Unterschiede zwischen MLOps und DevOps kennen
  • ML-Pipelines erstellen, Modelle trainieren und optimieren
  • 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 Software Developer, welche Services aufgrund von Daten und Datenmodellen bereitstellen und bereits Vorkenntnisse im Bereich Softwareentwicklung und Architektur besitzen.
  • Vorkenntnisse von Software Delivery Prinzipien wie CI/CD und GIT sind von Vorteil.
  • 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 Developer

  • Einführung in Machine Learning (Klassifikatoren/Regressoren, Over- und Underfitting)
  • ML Modelle: von der linearer Regression zu neuronalen Netzen
  • Datensammeln und -aufbereiten mittels verschiedener Technikenn
  • Mittels den aufbereiteten Daten ein Modell trainieren
  • Nutzung von Codespaces/GitHub Actions im Free Tier
  • Problemstellung: Prozess reproduzierbar und messbar machen
  • Vom Prototyp zur Pipeline
  • Pipeline/Testing und 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