MLOps - Skalier- und wartbare ML-Projekte

  • In diesem Praxisseminar für Entwickler und ML-Teams lernen Sie, wie Sie Machine-Learning-Modelle versionieren, bereitstellen und überwachen. Dabei nutzen Sie Tools Tools wie MLflow für stabile und wiederholbare Workflows im Unternehmensalltag.

  • In vielen Unternehmen entstehen leistungsfähige Machine-Learning-Modelle – doch der Weg vom Prototyp zur produktiven Anwendung ist oft unklar. Dieser Kurs zeigt, wie Sie ML-Projekte so strukturieren, dass sie zuverlässig, versionierbar und wartbar bleiben.

    Sie lernen, wie Sie Trainingsprozesse automatisieren, Modelle dokumentieren und den Betrieb überwachen. Mit Python, Git und MLflow schaffen Sie reproduzierbare Abläufe. Sie erkennen, wie Sie Daten, Parameter und Modelle versionieren – und wie sich Änderungen nachvollziehbar dokumentieren lassen.

    Ein Schwerpunkt liegt auf der Alltagstauglichkeit: Weniger Toolvielfalt, mehr Klarheit. Sie setzen einen durchgängigen Workflow um – von der Entwicklung bis zur Auslieferung eines Modells, das zuverlässig läuft und gepflegt werden kann.

    Angesprochener Teilnehmerkreis:
    Entwickler, Data Scientists und ML-Engineers, die ML-Modelle nachhaltig in Unternehmenssysteme integrieren und betreiben möchten.

    Kursziel:
    Sie bauen skalierbare MLOps-Pipelines, setzen Versionierung und Monitoring auf und automatisieren die Pflege und Aktualisierung produktiver Machine-Learning-Modelle.

    • Was ist MLOps – und warum ist es notwendig?
      • Herausforderungen im produktiven ML-Betrieb
      • Typische Fehlerquellen und Lösungen
    • Projektstruktur und Versionierung
      • Daten, Code, Parameter und Modelle nachvollziehbar organisieren
    • Modell-Tracking mit MLflow
      • Experimente dokumentieren
      • Ergebnisse vergleichen
      • Modelle registrieren
    • Automatisierung im Trainingsprozess
      • Wiederholbare Abläufe mit einfachen Skripten oder CI-Tools
    • Monitoring und Nachvollziehbarkeit
      • Modellqualität beobachten
      • Drifts erkennen
      • Retraining vorbereiten
    • Modellbereitstellung im Unternehmenskontext
      • Deployment-Varianten
      • Modell als API
      • Zusammenarbeit mit DevOps-Teams

  • Erfahrung mit Python und ML-Workflows. Grundkenntnisse im Umgang mit ML-Frameworks (z. B. Scikit-Learn, TensorFlow oder PyTorch) und gängige DevOps-Tools (Git, Bash) sind hilfreich.

Alle Kursinformationen als PDF

Anmeldung

 
↳ Garantietermin

Zeitrahmen: 2 Tageskurs | 09:00 bis 16:00 Uhr

Preis

Teilnahmegebühr

ab 1.490,00 €
(1.773,10 € inkl. 19% MwSt.)

Durchführung ab 1 Teilnehmenden (mehr lesen ...)

Im Preis enthalten sind PC-COLLEGE - Zertifikat, Pausenverpflegung, Getränke und Kursmaterial.


Verwandte Seminare/Schulungen

Erfolgreich
im Job!
  • Präsenzschulung:
    Ein Schulungserlebnis vor Ort
    mit persönlichen Kontakten
  • Online-Schulung:
    Modernes und interaktives
    Live-Online-Training in
    Echtzeit

Kontakt

Ekomi Gold Status

Exzellent 4,8 / 5

basierend auf 644 Bewertungen (Alle Kurs-Bewertungen der letzten 12 Monate)

Firmen-Seminare
Inhouse-Seminare
Einzel-Coachings

» Jetzt anfragen

PC-COLLEGE ist autorisiertes Training Center

  • Microsoft Schulungs Anbieter
  • Autodesk Schulungs Anbieter
  • Lpi Schulungs Anbieter
  • Cobra Schulungs Anbieter
  • Corel Schulungs Anbieter
  • Pearson Schulungs Anbieter
  • Kryterion Schulungs Anbieter
  • Certiport Schulungs Anbieter
  • Learnquest Schulungs Anbieter
  • Google Schulungs Anbieter