MLOps mit MLflow: Effizientes Management von Machine-Learning-Prozessen
Hersteller: Sonstige
Schulung für Einsteiger & Entscheider & Experten & Fortgeschrittene
Zielgruppe
Voraussetzung
Grundlegende Kenntnisse in Machine Learning und den gängigen ML-Frameworks (z. B. scikit-learn, TensorFlow, PyTorch)
Schulungszeiten
9:30 - 17:00 Uhr (8 x 45 Min)
In Absprache andere Zeiten möglich.
Inklusivleistungen
-
- WissensPiloten Zertifikat
-
- Stift und Notizblock
Bei Schulungen in unseren Schulungszentren:
-
- Mittagessen
-
- kalte- und warme Getränke
-
- Indiv. eingerichteter PC/Mac für jeden Teilnehmer
Bei Online Schulungen
-
- Professionelles Webinar / Online Meeting System Informationen zu tech. Anforderungen
Softwareversion:
Unsere offenen Schulungen finden auf der aktuellen Softwareversion statt.
Falls Sie eine ältere Version einsetzen wollen, können wir auch das realisieren.
Bitte kontaktieren Sie uns direkt ...
Fördermöglichkeiten
Direkter Kontakt zu uns?
Tel. 0521 99997360
Oder direkt per Mail?
Was Sie in Ihrer Schulung MLOps mit MLflow: Effizientes Management von Machine-Learning-Prozessen lernen:
In dieser Schulung lernen Sie, wie Sie mit MLflow Ihre Machine-Learning-Prozesse effizient, reproduzierbar und teamorientiert steuern. Sie erfahren, wie Sie Modelle strukturiert versionieren, Experimente transparent dokumentieren und den gesamten ML-Lifecycle professionell managen – für mehr Kontrolle und Erfolg in Ihren ML-Projekten.
Schulungsbeschreibung
Ein zentraler Bestandteil der Schulung ist das Arbeiten mit MLflow. MLflow ist eine offene Plattform zur Verwaltung des Machine-Learning-Lebenszyklus, die speziell dafür entwickelt wurde, Experimente, Modelle und deren Abläufe systematisch zu erfassen, zu versionieren und produktiv zu machen. MLflow unterstützt verschiedene ML-Frameworks, lässt sich flexibel integrieren und hilft Teams, ihre Machine-Learning-Prozesse transparent, nachvollziehbar und skalierbar aufzusetzen.
Sie lernen, wie Sie Machine-Learning-Workflows nicht nur effizient, sondern auch reproduzierbar aufbauen und verwalten. Im Fokus steht, wie Sie MLflow gezielt einsetzen, um Modelle strukturiert zu versionieren, Experimente nachzuvollziehen und sämtliche Artefakte, Parameter und Metriken zentral zu dokumentieren.
Das Seminar legt besonderen Wert auf die Zusammenarbeit im Team: Sie erfahren, wie Sie gemeinsam Modelle entwickeln, verwalten und sicher in produktive Umgebungen überführen. Anhand praxisnaher Übungen und Beispielszenarien erhalten Sie einen tiefgehenden Einblick in die Rolle von MLflow im modernen MLOps-Prozess und lernen, wie Sie verschiedene Modellvarianten vergleichen und den gesamten Lebenszyklus von Machine-Learning-Projekten transparent managen.
Darüber hinaus werden Best Practices vermittelt, um Ihre ML-Infrastruktur nachhaltig, sicher und skalierbar zu gestalten – von der Authentifizierung und Zugriffskontrolle bis hin zum effizienten Ressourcenmanagement. Nach Abschluss der Schulung sind Sie in der Lage, MLflow als zentrales Werkzeug für produktive Machine-Learning-Prozesse im Unternehmenskontext einzusetzen und so den Mehrwert Ihrer Datenprojekte nachhaltig zu steigern.
Schulungsinhalte MLOps mit MLflow
- Was ist MLOps?
- Entstehung und Motivation von MLOps.
- Unterschiede und Gemeinsamkeiten: MLOps vs. DevOps
- Herausforderungen im Machine Learning Lifecycle
Überblick: MLflow und Alternativen
- MLflow Grundlagen: Was ist MLflow?
- Komponenten und Architektur (Tracking, Projects, Models, Registry)
- Open Source und kommerzielle Alternativen zu MLflow
Erste Schritte mit MLflow
- Einführung in das MLflow Framework
- MLflow Tracking Server: Architektur und Funktionsweise
- MLflow Model Registry: Versionierung und Modellmanagement
- Lokales Aufsetzen von MLflow und MLflow Tracking Server
- Überblick: MLflow UI
MLflow Tracking
- Experimente und Runs: Struktur und Best Practices
- Logging von Parametern, Metriken und Artefakten
- Arbeiten mit Artifacts, Parameters, Metadata, Metrics
- Vergleich und Analyse von Runs im MLflow UI
- Verschiedene Modellvarianten trainieren und vergleichen
MLflow Model Registry
- Modelle registrieren, versionieren und verwalten
- Model Staging: Übergang von Experiment zu Staging und Production
- Modell-Promotion und -Archivierung
Best Practices & Security
- MLflow Best Practices für produktive Umgebungen
- Security Best Practices (Authentifizierung, Zugriffskontrolle, Datenmanagement)
- Clean Up: Ressourcen und Artefakte verwalten und aufräumen
Wichtige Fragen zur Schulung
Für wen eignet sich diese Schulung und welche Vorkenntnisse werden benötigt?
Die Schulung richtet sich an ML-Ingenieur:innen, Data Scientists und DevOps-Spezialist:innen, die ihre Machine-Learning-Projekte effizient, reproduzierbar und im Team managen möchten. Vorausgesetzt werden grundlegende Kenntnisse in Machine Learning sowie praktische Erfahrung mit mindestens einem gängigen ML-Framework wie scikit-learn, TensorFlow oder PyTorch. Programmierkenntnisse in Python und erste Erfahrungen mit Tools wie Jupyter, VS Code und Git sind ebenfalls erforderlich.
Was sind die wichtigsten Lernziele der Schulung?
Nach Abschluss der Schulung sind Sie in der Lage, den gesamten Machine-Learning-Lifecycle mit MLflow effizient zu steuern. Sie lernen, Modelle und Experimente systematisch zu versionieren, nachvollziehbar zu dokumentieren und im Team gemeinsam zu entwickeln sowie produktiv auszuspielen. Außerdem gewinnen Sie umfassende Einblicke, wie Sie Best Practices und Sicherheit im MLOps-Umfeld umsetzen können.
Welche praktischen Inhalte und Übungen erwarten mich während der Schulung?
Die Schulung ist praxisorientiert aufgebaut und enthält zahlreiche Übungen, die Sie Schritt für Schritt durch den Einsatz von MLflow führen. Sie richten MLflow lokal ein, tracken und vergleichen Experimente, versionieren Modelle, setzen die Model Registry ein und üben die Überführung von Modellen in verschiedene Stages (von Experiment über Staging bis Production). Zusätzlich werden Sie konkrete Best Practices anwenden und lernen, wie Sie Authentifizierung, Zugriffskontrolle und Ressourcenmanagement im Team umsetzen.
Was unterscheidet MLflow von anderen MLOps-Tools und warum wird es in dieser Schulung verwendet?
MLflow ist ein weit verbreitetes Open-Source-Framework, das durch seine modulare Architektur und einfache Integration mit gängigen Data-Science-Tools überzeugt. Im Unterschied zu anderen MLOps-Lösungen ist MLflow besonders flexibel, leichtgewichtig und unterstützt viele Frameworks und Deployment-Optionen. Die Schulung behandelt zudem Alternativen, legt den Fokus aber auf MLflow, da es sich ideal für den Einstieg und den unternehmensweiten Einsatz eignet.
Wie unterstützt die Schulung die Zusammenarbeit im Team?
Ein zentraler Bestandteil der Schulung ist das kollaborative Arbeiten mit MLflow. Sie lernen, wie Sie gemeinsam an Experimenten und Modellen arbeiten, Versionierung und Freigaben organisieren und den Workflow über die Model Registry steuern. So können Teams effizient Modelle entwickeln, verwalten und sicher in den Produktivbetrieb überführen.
6. Welche Vorteile bringt mir der Einsatz von MLflow für meine Projekte nach der Schulung?
Durch den gezielten Einsatz von MLflow steigern Sie die Effizienz, Nachvollziehbarkeit und Sicherheit Ihrer Machine-Learning-Prozesse. Sie können Experimente und Modelle zentral dokumentieren, versionieren und vergleichen, wodurch der gesamte Entwicklungs- und Produktionsprozess transparenter und kontrollierbarer wird. Dies ermöglicht nicht nur eine bessere Zusammenarbeit im Team, sondern auch eine nachhaltige Skalierung und Professionalisierung Ihrer ML-Projekte im Unternehmen.
Schulungsdauer: 3 Tage
Wählen Sie Ihre Schulungsart:
Schulungen in ganz Deutschland
Wir bieten unsere offenen Schulungen und unsere individuellen Schulungen in unseren Schulungzentren an über 50 Standorten zu festen Terminen in ganz Deutschland an.
Sie finden uns in Aachen, Augsburg, Berlin, Bielefeld, Bochum, Bonn, Bremen, Chemnitz, Dortmund, Dresden, Duisburg, Düsseldorf, Erfurt, Essen, Frankfurt am Main, Freiburg im Breisgau, Friedrichshafen, Gelsenkirchen, Göttingen, Hamburg, Hannover, Ingolstadt, Karlsruhe, Kassel, Kiel, Koblenz, Köln, Leipzig, Lübeck, Magdeburg, Mainz, Mannheim, Mönchengladbach, München, Münster, Nürnberg, Offenbach am Main, Oldenburg, Osnabrück, Paderborn, Potsdam, Regensburg, Rostock, Saarbrücken, Schwerin, Stuttgart, Ulm, Wiesbaden, Wolfsburg, Wuppertal und Würzburg. Also finden Sie auch in Ihrer Nähe finden Sie einen Standort.
