Vom Modell zur Produktion

Vom Feature-Engineering über das Training bis hin zur Visualisierung: Tools und Frameworks für Data-Scientisten gibt es zuhauf. Aber was kommt nach dem Proof-of-Concept?

Da Data-Science-Projekte eher experimenteller Natur sind, stellen sie klassische Softwareentwickler vor Herausforderungen. Neben der Anwendung selbst müssen nämlich auch die trainierten Modelle sowie deren Code für Training und Evaluation den Ansprüchen der modernen Softwareentwicklung gerecht werden.

Dieser Miniworkshop richtet sich an Data-Scientisten und Machine-Learning-erfahrene Softwareentwickler, die ihre Modelle in produktive Applikationen integrieren möchten. Nach und nach erarbeiten wir uns ein Beispielmodell und machen es robuster, bis wir es produktiv deployen.

VORBEREITUNG:
Teilnehmer sollten sich vorab Docker herunterladen.

Vorkenntnisse

* Grundkenntnisse in Python
* Grundkenntnisse in Machine Learning

Lernziele

* Die wichtigsten Punkte produktiver ML-Modelle kennenlernen
* Wege, Tools und APIs für die Bereitstellung von ML-Modellen kennen
* Möglichkeiten zur Daten- und Modellvalidierung kennenlernen und nutzen