Entwicklung und Deployment von ML-Modellen mit Python und mlflow
27. Mai 2021, 9:00–16:30 Uhr
Die Entwicklung von Machine-Learning-Modellen ist ein wichtiger Bestandteil beim Aufbau datengetriebener Prozesse und Anwendungen. Dabei ist die kollaborative Entwicklung und produktive Nutzung von ML-Modellen weiterhin eine große Herausforderung.
Im Workshop lernen Teilnehmerinnen und Teilnehmer Konzepte wie den Aufbau von ML-Pipelines, das Tracking von Parametern und Metriken verschiedener Modelle sowie das Deployment von ML-Modellen für den produktiven Einsatz kennen.
Anhand einfacher, anschaulicher Beispiele lernen sie, mit den Open Source Tools Python und mlflow den kompletten Machine Learning Lifecycle nachzuvollziehen und Schritte wie das Tracking von Experimenten (Trainingsdurchläufe von Modellen) oder das Bereitstellen von ML-Modellen in Form einer REST-API selbst umzusetzen.
Vorkenntnisse
- Grundlegendes Verständnis von Machine Learning
- Grundlagenkenntnisse der Programmierung im Data-Science-Umfeld sind hilfreich, aber nicht zwingend erforderlich
- Vorkenntnisse zu mlflow oder zum Begriff des ML-Lifecycles sind nicht erforderlich
Lernziele
- Die Entwicklung einfacher Machine-Learning-Modelle in Pyhton (z.B. neuronale Netze mit tensorflow/keras)
- Das Tracking von Modellparametern und -metriken
- Den Aufbau einer ML-Pipeline und die Abbildung der Pipeline innerhalb einer Projektstruktur
- Die nachhaltige Aufbereitung von Modellergebnissen
- Das Deployment von Modellen in Form einer REST-API