Data Engineer: ML für Dateningenieure
Die Teilnehmer werden Fachwissen im Bereich Machine Learning (ML) für Data Engineering entwickeln, wobei der Schwerpunkt auf der Integration von ML-Modellen in Datenpipelines, der Optimierung von Daten-Workflows und der Automatisierung von prädiktiven Analysen liegt. Sie werden praktische Erfahrungen in den Bereichen Big Data-Verarbeitung, SQL-gesteuerte Transformationen, verteiltes Rechnen und Echtzeit-ML-Bereitstellung sammeln, die es ihnen ermöglichen, skalierbare, leistungsstarke ML-Workflows zu erstellen.

Einführung in Machine Learning für Dateningenieure
  • Verstehen der Rolle von ML im Data Engineering und seiner Auswirkungen auf Big-Data-Workflows.
  • Erlernen von überwachten und unüberwachten Lerntechniken.
  • Erkunden von Strategien zur Modellauswahl, -bewertung und -bereitstellung.
Datenaufbereitung und Feature-Engineering
  • Durchführen von Datenbereinigung, -normalisierung und -transformation für ML-Modelle.
  • Entwickeln von Funktionen aus strukturierten und unstrukturierten Datensätzen.
  • Optimieren von Techniken zur Dimensionsreduktion für große ML-Modelle.
SQL für Machine Learning-Pipelines
  • Implementieren Sie SQL-basiertes Feature Engineering für strukturierte Daten.
  • Optimieren Sie die Datenspeicherung und -abfrage für ein schnelleres ML-Modelltraining.
  • Automatisieren Sie ETL-Workflows für ML-Anwendungen mit SQL und Python.
ML-Modellbereitstellung in Datenpipelines
  • Integrieren Sie ML-Modelle in ETL- und Datenverarbeitungs-Workflows.
  • Verwenden Sie TensorFlow, scikit-learn und PyTorch für das Modelltraining.
  • Automatisieren Sie Echtzeit-Modellvorhersagen in Big-Data-Anwendungen.
Big Data und ML-Integration
  • Arbeiten Sie mit Apache Spark MLlib für die verteilte ML-Verarbeitung.
  • Trainieren und implementieren Sie skalierbare ML-Modelle in Big-Data-Umgebungen.
  • Optimieren Sie Fehlertoleranz und Leistung in ML-Pipelines.
Echtzeit-ML und Streaming-Daten
  • Implementieren Sie Echtzeit-ML-Vorhersagen mit Kafka und Spark Streaming.
  • Optimieren Sie die Datenverarbeitung mit geringer Latenz für eine dynamische Entscheidungsfindung.
  • Automatisiertes ML-Modell-Retraining für Streaming-Datenpipelines bereitstellen.

Dieser Kurs betont die Rolle von Machine Learning im Data Engineering, indem er Techniken zur Datenaufbereitung und Modellauswahl vermittelt.