In diesem Kurs schließen Sie die Lücke zwischen experimenteller Programmierung und produktionsreifem maschinellem Lernen, indem Sie den „Middle Loop“ des MLOps-Lebenszyklus beherrschen lernen.
Zunächst verfeinern Sie Ihren Modellentwicklungsprozess und lernen, zwischen Standardtraining und Hyperparameter-Tuning zu unterscheiden, um die Modellleistung zu maximieren. Um die betriebliche Effizienz sicherzustellen, werden Sie Rechenstrategien bewerten, indem Sie Ihre Workloads an die spezifischen Stärken von CPUs und GPUs anpassen. Im Mittelpunkt Ihrer Erfahrung steht der Aufbau einer robusten „Source of Truth“ mithilfe von MLflow, um Parameter automatisch zu protokollieren, Metriken zu verfolgen und Modellversionen mit professioneller Präzision zu verwalten. Sie werden über die manuelle Nachverfolgung hinausgehen, indem Sie ein zentralisiertes Dashboard implementieren, das einen nahtlosen Vergleich von Hunderten von Versuchsläufen ermöglicht. Um die organisatorische Integrität zu wahren, werden Sie den Umgang mit dem MLflow Model Registry beherrschen, um die Versionierung von Artefakten und den Übergang von der Staging-Umgebung in die Produktion zu verwalten. Der Kurs gipfelt in einem praktischen Abschlussprojekt, in dem Sie einen Live-MLflow-Server starten und synthetische Datensätze generieren, um ein reales System zur Prüfung von Versicherungsansprüchen zu simulieren. Am Ende haben Sie eine vollständig reproduzierbare Trainingsumgebung eingerichtet, die sicherstellt, dass Ihre KI-Lösungen organisiert, durchsuchbar und für den groß angelegten Einsatz bereit sind.
