pds-futurejobs
['Produktseite','nein']
MLOps in der Praxis: Deployment und Integration von Machine-Learning-Modellen
Kurs
4

Buchungs-Nr.:

36447

MLOps in der Praxis: Deployment und Integration von Machine-Learning-Modellen

Machine-Learning-Projekte werden technisch schnell komplex und erfordern die richtige Herangehensweise, Steuerung und Infrastruktur, um nachhaltig, effizient und skalierbar zu sein. Dieser Kurs bietet mit dem anerkannten MLOps-Framework einen hilfreichen Leitfaden mit Best Practices, Methoden und Werkzeugen, um den Lebenszyklus von Machine-Learning-Modellen optimal zu managen und abzubilden. Du lernst alle MLOps-Stationen - von der Datenversionierung bis zum Monitoring - im Detail kennen.

2 Tage
ca. 16 Stunden Zeitaufwand
Online
Deutsch
Master Class

Terminvorschau

Starttermin
Letztes Modul
Verfügbarkeit
Ort
15.12.2025
16.12.2025
Wenige Plätze frei
Maximale Planungssicherheit
Durchführung bereits gesichert
Haken dran!
Nächste Buchung sichert die
Durchführung
Live-Online
19.3.2026
20.3.2026
Plätze frei
Maximale Planungssicherheit
Durchführung bereits gesichert
Haken dran!
Nächste Buchung sichert die
Durchführung
Live-Online

Modulübersicht

Die folgende Modulübersicht zeigt Termine für den Kursstart am
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
No items found.

Kursübersicht

Inhalte

1. MLOps – was es ist und warum es ohne nicht geht

  • Wenn es ernst wird mit Machine-Learning-Projekten
  • Domänenwissen und Herausforderungen
  • Der MLOps-Zyklus im Überblick
  • MLOps ist mehr als DevOps
  • Die MLOps-Reifegradstufen

2. Datenversionierung und Experiment Tracking

  • Grundlagen und Vorteile von Code- und Datenversionierung
  • Einführung in DVC
  • Übung: Datenversionierung mit DVC
  • Übung: Experiment Tracking mit DVC

3. Data Pipeline Orchestration

  • Grundlagen und Vorteile von Daten-Pipelines
  • Einführung in Dagster
  • Übung: Asset Jobs mit Dagster
  • Übung: Op Jobs mit Dagster

4. Experiment Tracking

  • Parameter, Metriken und Artefakte
  • Grundlagen und Vorteile von Experiment Tracking
  • Experiment Tracking mit MLflow
  • Übung: Experiment Tracking mit MLflow
  • Übung: Model Management mit MLflow

5. CI/CD für Machine Learning

  • Einführung in CI/CD, Abgrenzung von CI/CD für Code
  • Was können wir alles testen?
  • Varianten von CI/CD für ML-Produkte
  • Showcase: Github Actions und CML

6. Deployment und Serving

  • Grundlagen des Machine-Learning-Deployments
  • Unterscheidung Batch-Inferenz und Live-Inferenz
  • Datenvorverarbeitung im Deployment
  • Einführung in Open Neural Network Exchange (ONNX)
  • Übung: FastAPI und ONNX

7. Monitoring

  • Monitoring von ML-Modellen
  • Daten, Metriken, KPIs
  • Anwendungsmetriken
  • Showcase: Monitoring mit evidently.ai

8. MLOps in der Cloud

  • Wann sind Cloud-Lösungen empfehlenswert?
  • Einordnung Amazon Sagemaker, Azure ML Studio und Google Vertex AI
  • Showcase: Model Training mit Azure ML Studio

9. Machine-Learning-Plattformen

  • Wie und wann skaliere ich die Entwicklung meiner ML-Teams?
  • Was ist ein Feature Store?

10. Exkurs: LLMOps

  • Was unterscheidet LLMOps von MLOps?
  • Showcase: companyGPT

 

Technische Voraussetzungen

In diesem Seminar lernst du den Einsatz der Methoden und Tools in vielen Praxisübungen kennen. Diese führst du selbst lokal auf deinem eigenen Rechner aus. Um dies zu ermöglichen bitten wir dich, vor dem Kurstermin die Anwendungen Docker Desktop und Git zu installieren und zu testen – bitte beachte, dass du dafür entsprechende Berechtigungen auf deinem Rechner benötigst. Nach der Installation kannst du die Pakete, die dir die Trainer bereitstellen, herunterladen und einrichten. Eine ausführliche Anleitung dafür erhältst du ca. zwei Wochen vor dem Kurstermin.