Data Engineer: Fortgeschrittene ML-Konzepte
Die Teilnehmer erwerben Fachwissen über fortgeschrittene Techniken des maschinellen Lernens (ML) für Data Engineering, wobei der Schwerpunkt auf skalierbarem Modelltraining, verteiltem Rechnen, Deep Learning und Echtzeit-ML-Integration liegt. Sie werden sich mit probabilistischen Datenstrukturen, graphenbasiertem ML, automatisierten ML-Workflows und cloudbasierter ML-Bereitstellung befassen, wodurch sie in die Lage versetzt werden, hochleistungsfähige ML-Pipelines für große Datenumgebungen zu optimieren.

Einführung in fortgeschrittenes ML für Data Engineers
  • Verstehen Sie die Herausforderungen der Skalierbarkeit in der ML-gesteuerten Datenverarbeitung.
  • Erkunden Sie modernste ML-Techniken für Big-Data-Anwendungen.
  • Erfahren Sie, wie Sie ML-Workflows in der Produktion optimieren und automatisieren können.
Deep Learning für die Datenverarbeitung
  • Implementieren Sie Deep-Learning-Modelle mit TensorFlow und PyTorch.
  • Optimieren Sie neuronale Netze für strukturierte und unstrukturierte Daten.
  • Skalieren Sie Deep-Learning-Workflows mithilfe von GPU-Beschleunigung und verteiltem Training.
Probabilistische Datenstrukturen und ML
  • Arbeiten Sie mit Bloom-Filtern, Count-Min-Sketches und HyperLogLog für eine effiziente ML-Modelloptimierung.
  • Implementieren Sie speichereffiziente Algorithmen für die Verarbeitung großer Datenmengen.
  • Optimieren Sie Daten-Workflows für eine schnelle ML-Inferenz.
Graphenbasiertes maschinelles Lernen
  • Nutzen Sie Graph-Neural-Networks (GNNs) für eine beziehungsgesteuerte Datenanalyse.
  • Arbeiten Sie mit graphenbasierten Datenmodellen für Empfehlungssysteme und Anomalieerkennung.
  • Optimieren Sie Graphdatenstrukturen für eine leistungsstarke ML-Verarbeitung.
Bereitstellung und Optimierung von Echtzeit-ML-Modellen
  • Implementieren Sie Echtzeit-ML-Pipelines mit Kafka und Spark Streaming.
  • Optimieren Sie Vorhersagen mit geringer Latenz für dynamische Datenumgebungen.
  • Setzen Sie Strategien für automatisiertes Modell-Retraining und -Monitoring ein.
Cloudbasierte skalierbare ML-Workflows
  • Arbeiten Sie mit BigQuery ML, AWS SageMaker und Azure ML für cloudbasiertes ML-Training und Inferenz.
  • Optimieren Sie kosteneffiziente, skalierbare ML-Modelle in Cloud-Umgebungen.
  • Automatisieren Sie das ML-Lebenszyklus-Management mithilfe von MLOps-Frameworks.
Praktische Projekte für fortgeschrittenes maschinelles Lernen
  • Entwickeln Sie skalierbare ML-Lösungen für Big-Data-Umgebungen.
  • Arbeiten Sie an realen ML-Herausforderungen und integrieren Sie dabei Deep Learning, Graph ML und Streaming-Analysen.
  • Optimierung von End-to-End-ML-Pipelines für umfangreiche Data-Engineering-Anwendungen.

Die Kursteilnehmer vertiefen sich auch in automatisierte ML-Workflows und deren Integration in bestehende Data Engineering-Prozesse.