Konzepte des maschinellen Lernens Einführung
  • Einführung in die Rolle des maschinellen Lernens in der Datenverarbeitung und in KI-Systemen.
  • Überblick über Datenpipelines und die Integration von Modellen für maschinelles Lernen.
  • Schlüsselkomponenten: Datenerfassung, Datenverarbeitung und Modellbereitstellung.
Datenverarbeitung für maschinelles Lernen
  • Verständnis der Architektur von Datenpipelines für ML-Workflows.
  • Techniken für die Handhabung großer Datensätze, Datenspeicherung und -abruf.
  • Einführung in die verteilte Datenverarbeitung für skalierbare Lösungen für maschinelles Lernen.
Integration von KI in bestehende Systeme
  • Verständnis der Herausforderungen und Methoden für die Integration von KI-Modellen in Produktionssysteme.
  • Techniken zur Bereitstellung von KI-Modellen: Stapelverarbeitung vs. Echtzeit-Inferenz.
  • Bewährte Verfahren zur Wartung und Aktualisierung von KI-Modellen in der Produktion.
Fortgeschrittene Algorithmen für maschinelles Lernen
  • Einführung in fortgeschrittene Algorithmen wie Ensemble-Methoden und Deep Learning.
  • Techniken wie Random Forests, Boosting und neuronale Netze für eine bessere Leistung.
  • Praktische Anwendungen und Fallstudien zur Integration dieser Algorithmen in reale Systeme.
KI-Systemarchitektur und Automatisierung
  • Erstellung von End-to-End-KI-Lösungen unter Verwendung von Data-Engineering-Prinzipien.
  • Automatisierung von Datenverarbeitungs- und maschinellen Lernaufgaben zur Effizienzsteigerung.
  • Untersuchung der Rolle von Containerisierung (z. B. Docker) und Cloud-Plattformen bei der KI-Integration.

Fortgeschrittene Techniken des maschinellen Lernens und der KI-Integration werden genutzt, um die Architektur von Datenpipelines zu optimieren.