KURS & WEITERBILDUNG
Effective MLOps
Bringen Sie Machine-Learning-Modelle mit reproduzierbaren Workflows, Deployment-Pipelines, Tests, Monitoring und Responsible-AI-Praktiken zuverlässig in Produktion.
Online
CHF 1'250
Live-Unterricht mit Kursleitung, öffentlich oder privat.
Vor Ort
CHF 2'500
Vor Ort als öffentlicher Kurs oder Teamkurs.
Privater Teamkurs
Auf Anfrage
Privater Kurs, abgestimmt auf Ihr Engineering-Team.
Für wen ist dieser Kurs?
Data Scientists
Überführen Sie Modelle aus Notebooks in reproduzierbare, versionierte und testbare Delivery-Abläufe.
ML Engineers
Entwickeln Sie Deployment-, Monitoring- und Validierungsmuster für produktive Machine-Learning-Systeme.
DevOps Engineers mit Interesse an produktivem ML
Passen Sie CI/CD, Container und Betriebspraktiken an den ML-Lifecycle an.
Was Sie lernen
Reproduzierbare ML-Pipelines bauen
Setzen Sie nachvollziehbare und versionierte ML-Abläufe mit reproduzierbaren Experimenten und Datenpipelines um.
ML-Systeme durchgängig bereitstellen
Überführen Sie Notebooks in Produktionscode, paketieren Sie Services und deployen Sie ML-Anwendungen mit CI/CD.
ML in Produktion testen und überwachen
Nutzen Sie Unit- und Integrationstests, Validierungsprüfungen sowie Monitoring für Daten- und Model Drift.
Governance und Responsible AI verstehen
Berücksichtigen Sie Erklärbarkeit, Bias und betriebliche Governance im ML-Lifecycle.
Eine vollständige MLOps-Pipeline betreiben
Verbinden Sie Versionierung, CI/CD, Container, Deployment, Tests, Monitoring und Experiment Tracking in einem Ablauf.
VORAUSSETZUNGEN
Was Teilnehmende mitbringen sollten
Erwartet werden sichere Python-Kenntnisse, idealerweise mindestens ein Jahr Erfahrung, Grundlagen zu ML-Algorithmen und Modellentwicklung sowie Vertrautheit mit Git und Kommandozeile. Docker- und Cloud-Kenntnisse sind von Vorteil.
VORBEREITUNG
Vor Kursbeginn
Bereiten Sie sich auf eine praktische Fallstudie zu Experiment Tracking, Deployment, Tests und Monitoring einer vollständigen ML-Pipeline vor.
LEHRPLAN
Inhalte von Effective MLOps
Der Kurs ist online, vor Ort und als privater Teamkurs verfügbar. Öffentliche Termine finden ab einer Mindestzahl von Teilnehmenden statt. Inhalte können an interne ML-Plattformen und Governance-Vorgaben angepasst werden.
MLOps-Grundlagen und Experiment Management
Tag 1
Umfang von MLOps, Datenanalyse und nachvollziehbare Experimente mit versionierten Modellen.
MLOps-Grundlagen und Experiment Management
Tag 1
Umfang von MLOps, Datenanalyse und nachvollziehbare Experimente mit versionierten Modellen.
Theorie
- Definition und Umfang von MLOps
- Vergleich mit DevOps
- Überblick über den ML-Lifecycle
- Geschäftlicher Nutzen und Herausforderungen
- MLOps-Reifegrade
Praxis
- Umgebung mit Git, Docker und Python einrichten
- Fraud-Detection-Fall und Datensatz untersuchen
- Fehlende Werte, Ausreisser und Klassenungleichgewicht behandeln
- Feature Engineering anwenden
- Experimente mit DVC und MLflow trainieren, versionieren und verfolgen
Modularisierung, Deployment und CI/CD-Pipelines
Tag 2
Notebooks in deploybare Systeme überführen und eine vollständige Delivery-Pipeline bauen.
Modularisierung, Deployment und CI/CD-Pipelines
Tag 2
Notebooks in deploybare Systeme überführen und eine vollständige Delivery-Pipeline bauen.
Theorie
- Grundsätze für sauberen ML-Code
- Notebooks in modulare Skripte überführen
- ML-Code als wiederverwendbare Komponenten paketieren
- Webanwendungen mit FastAPI und Streamlit
- Containerisierung und Cloud Deployment
Praxis
- Notebooks in produktionsnahe Python-Module refaktorieren
- REST API mit FastAPI und Frontend mit Streamlit bauen
- Backend und Frontend mit Docker containerisieren
- Lokal mit Docker Compose deployen
- Deployment mit AWS ECS, ECR und GitHub Actions durchspielen
Tests, Monitoring und Responsible AI
Tag 3
Validierung, Produktionsmonitoring und Governance für betriebliche ML-Systeme.
Tests, Monitoring und Responsible AI
Tag 3
Validierung, Produktionsmonitoring und Governance für betriebliche ML-Systeme.
Theorie
- Unit Tests für ML-Komponenten
- Integrationstests für Pipelines
- Daten- und Modellvalidierung mit Deepchecks
- Model und Data Drift
- Responsible AI mit Bias-Erkennung und Erklärbarkeit
Praxis
- Tests für ML-Systeme schreiben und strukturieren
- Daten- und Modellverhalten validieren
- Vollständige MLOps-Pipeline bauen und prüfen
- DVC, MLflow, FastAPI, Streamlit, Docker und GitHub Actions integrieren
- Abschlusslösung präsentieren und prüfen
TECHNOLOGIEN
Technologien in Effective MLOps
Diese Werkzeuge werden im öffentlichen Kurs eingesetzt. Für private Teamkurse passen wir den Stack und den Ablauf an Ihr Team an.
Effective MLOps für Ihr Team?
Führen Sie den Kurs online oder vor Ort durch, angepasst an Ihren Stack und Ihre Lernziele.
KURSLEITENDE
Karim Baklouti
Leitende Kursleitung für MLOps
MLOps Engineer bei Swiss Digital Network. Er zeigt, wie Teams von Experimenten zu reproduzierbaren Deployments gelangen und Versionierung, CI/CD, Monitoring und ML Delivery verbinden.
Rouaa Ben Ayed
Leitende Kursleitung für AI for DevOps
Kommende Kurse
Häufig gestellte Fragen
Antworten zu Effective MLOps.
Für wen ist Effective MLOps gedacht?
Für ML Engineers, Data-Science-Teams und Plattformteams, die ML-Systeme mit besseren Delivery-, Test- und Monitoring-Praktiken produktiv betreiben wollen.
Deckt der Kurs den gesamten ML-Lifecycle ab?
Ja. Er behandelt Experiment Tracking, Versionierung, Modularisierung, Deployment, CI/CD, Tests, Monitoring und Responsible AI.
Kann Effective MLOps privat für ein Team durchgeführt werden?
Ja. Der Kurs kann an interne ML-Plattformen, Governance-Anforderungen, Werkzeuge und Cloud-Infrastruktur angepasst werden.