Der Kurs deckt den gesamten Lebenszyklus ab, der erforderlich ist, um ein Produkt für das maschinelle Lernen in die Produktion zu bringen. Er ist in vier Abschnitte unterteilt: Software-Engineering für Datenwissenschaftler. Daten-Engineering (für die Vor-Vorproduktionsphase), maschinelles Lernen und Überwachung, Benachrichtigung (für die Nachproduktionsphase). Jede Woche endet mit einem kleinen Projekt.
Der Kurs deckt den gesamten Lebenszyklus ab, der erforderlich ist, um ein Produkt für maschinelles Lernen in die Produktion zu bringen. Er ist in vier Abschnitte unterteilt: Softwareentwicklung für Datenwissenschaftler. Datenverarbeitung (für die Vorproduktionsphase), maschinelles Lernen und Überwachung, Benachrichtigung (für die Nachproduktionsphase). Jede Woche endet mit einem kleinen Projekt.

Datenwissenschaft für maschinelles Lernen
  • Beherrschen Sie die Grundlagen der Datenwissenschaft, wobei der Schwerpunkt auf Datenanalyse und Datenbereinigung liegt, um Datensätze für maschinelle Lern-Workflows vorzubereiten.
  • Erlernen Sie die Programmierung in Python für Data Science und nutzen Sie Bibliotheken wie NumPy, Pandas und Matplotlib für eine effiziente Datenverarbeitung.
  • Führen Sie eine explorative Datenanalyse (EDA) durch, um Trends, Muster und Anomalien in Datensätzen aufzudecken.
  • Erstellen Sie aussagekräftige Datenvisualisierungen mit Tools wie Matplotlib und Seaborn, um Erkenntnisse effektiv zu vermitteln.
  • Arbeiten Sie an praktischen Projekten zur Bereinigung, Vorverarbeitung und Analyse realer Datensätze, die die Grundlage für fortgeschrittene Machine-Learning-Modelle bilden.
Datenverarbeitung und KI-Integration
  • Verstehen Sie die Rolle der Datenverarbeitung bei der Verwaltung von Datenpipelines für skalierbare Machine Learning-Workflows.
  • Verwenden Sie Big Data-Tools wie Apache Spark und Kafka, um große Datensätze zu verarbeiten und zu verwalten.
  • Entwerfen Sie ETL-Workflows (Extract, Transform, Load), um Daten zu bereinigen und in nutzbare Formate umzuwandeln.
  • Integrieren Sie Cloud-Entwicklungslösungen, um Datenpipelines für KI-Modelle bereitzustellen und zu verwalten.
  • Realisierung von Projekten aus der Praxis zum Aufbau von Datenpipelines, die sich nahtlos in Anwendungen des maschinellen Lernens integrieren lassen.
Python und KI für die Datenwissenschaft
  • Erwerb von Fachwissen in der Python-Programmierung zur Implementierung von Modellen des maschinellen Lernens unter Verwendung von Bibliotheken wie scikit-learn, TensorFlow und PyTorch.
  • Sammeln Sie praktische Erfahrungen in der AI-Modellschulung, -bewertung und -funktionsentwicklung, um die Modellleistung zu optimieren.
  • Erkunden Sie Algorithmen für überwachtes und unüberwachtes Lernen, einschließlich Klassifizierung, Regression, Clustering und Dimensionsreduktion.
  • Tauchen Sie ein in neuronale Netze und Deep-Learning-Architekturen für fortgeschrittene Problemlösungen.
  • Lösen Sie reale Herausforderungen in den Bereichen Bilderkennung, prädiktive Analytik und Textklassifizierung mit Python und AI-Tools.
Modellüberwachung für maschinelles Lernen
  • Lernen Sie die Grundlagen der Überwachung und Wartung von Machine Learning-Modellen in Produktionsumgebungen kennen.
  • Verfolgen Sie kritische Leistungskennzahlen wie Genauigkeit, Präzision und Rückruf, um die Zuverlässigkeit zu bewerten.
  • Erkennen und verwalten Sie Daten- und Konzeptabweichungen, um die Modellgenauigkeit über einen längeren Zeitraum aufrechtzuerhalten.
  • Implementieren Sie automatische Warnmeldungen und Überwachungssysteme mit Tools wie Prometheus und Grafana.
  • Schließen Sie Projekte ab, die die Einrichtung von Überwachungsrahmen und die Umschulung von Arbeitsabläufen für produktionstaugliche Machine Learning-Modelle umfassen

Tools und Techniken: Python, Code-Refactoring, REST-APIs, FastAPI, Datenpipelines, DB, Orchestrierung, Bereitstellung, Cloud, Docker, Runbooks, Dashboarding, Kibana, Grafana, Prometheus, CI/CD