Data Scientist Professional — Vom Geschäftsproblem zum Produktionsmodell
Vollständiger professioneller Lernpfad für einen Data-Science-Ansatz vom Geschäftsproblem bis zum evaluierten, bereitgestellten und überwachten Modell.
Ein Data Scientist überführt eine fachliche Fragestellung in einen datenbasierten experimentellen Ansatz. Er erstellt verlässliche Arbeitsdatensätze, formuliert Hypothesen, definiert Baselines, entwickelt und vergleicht Modelle, bewertet Unsicherheit und Bias und unterstützt anschließend die Integration der Modelle in tatsächlich genutzte Produkte oder Prozesse.
Dieser Lernpfad behandelt Python, SQL, Statistik, Experimente, Machine Learning, Feature Engineering, Zeitreihen, Text und Embeddings, Kausalität, Deep Learning, Reproduzierbarkeit, Erklärbarkeit, Fairness und MLOps. Ziel ist es, eine geeignete Modellierungsstrategie auszuwählen, Performance und operativen Wert nachzuweisen und anschließend an Deployment, Monitoring und Governance mitzuwirken.
metiers_prof_data_scientist_outcome
15 Kurse • 150 interaktive Lektionen • 45 bis 75 Stunden dialogorientierte Weiterbildung
Bestes Angebot
Komplettpaket — Data Scientist
399,00 € zzgl. MwSt.
Ersparnis : 124,80 €
74,70 €
64,90 zzgl. MwSt.
Ersparnis : 9,80 €
Problemdefinition und Arbeitsumgebung
Die Rolle des Data Scientists verstehen, eine Geschäftsfrage in ein Modellierungsproblem überführen und eine reproduzierbare Arbeitsumgebung einrichten.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Keine fortgeschrittenen Vorkenntnisse erforderlich. Ein routinierter Umgang mit dem Computer sowie Interesse an Datenanalyse oder Problemlösung reichen für den Einstieg aus.
- Die Rolle des Data Scientists verstehen und Analyse, Vorhersage, Kausalität und Optimierung unterscheiden
- Arrays und Datenstrukturen mit NumPy und pandas verarbeiten
- Daten mit Matplotlib oder Seaborn visualisieren, um eine erste Interpretation zu kommunizieren
- Eine erste Dateninterpretation einem Fachansprechpartner präsentieren
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um die Rolle des Data Scientists verstehen, eine Geschäftsfrage in ein Modellierungsproblem überführen und eine reproduzierbare Arbeitsumgebung einrichten.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: eine erste Dateninterpretation einem Fachansprechpartner präsentieren
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
24,90 € zzgl. MwSt.
Datenqualität und statistisches Denken
Datenqualitätsprobleme identifizieren und die statistischen und probabilistischen Grundlagen eines Data-Science-Projekts anwenden.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Keine fortgeschrittenen Vorkenntnisse erforderlich. Ein routinierter Umgang mit dem Computer sowie Interesse an Datenanalyse oder Problemlösung reichen für den Einstieg aus.
- Fehlende Daten, Ausreißer, Messfehler und Erhebungsbias identifizieren
- Kovarianz, Korrelation und Interpretationsgrenzen verstehen
- Übliche Verteilungen (Normal-, Poisson-, Binomialverteilung) und ihren praktischen Einsatz verstehen
- Die Qualität eines realen Datensatzes auditieren und einen Data-Quality-Bericht erstellen
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um datenqualitätsprobleme identifizieren und die statistischen und probabilistischen Grundlagen eines Data-Science-Projekts anwenden.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: die Qualität eines realen Datensatzes auditieren und einen Data-Quality-Bericht erstellen
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
24,90 € zzgl. MwSt.
Experimentprotokoll und Baseline
Ein belastbares Experimentprotokoll aufsetzen und eine erste Referenz-Baseline etablieren.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Keine fortgeschrittenen Vorkenntnisse erforderlich. Ein routinierter Umgang mit dem Computer sowie Interesse an Datenanalyse oder Problemlösung reichen für den Einstieg aus.
- Trainings-, Validierungs- und Testdaten korrekt trennen
- Eine Bewertungsmetrik wählen, die zu den fachlichen Fehlerkosten passt
- Mehrere naive Baselines vergleichen: Mittelwert, Geschäftsregel, Zufallsmodell
- Praxisworkshop: eine vollständige explorative Analyse durchführen und eine Modellierungsstrategie vorschlagen
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um ein belastbares Experimentprotokoll aufsetzen und eine erste Referenz-Baseline etablieren.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: eine vollständige explorative Analyse durchführen und eine Modellierungsstrategie vorschlagen
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
24,90 € zzgl. MwSt.
89,70 €
76,90 zzgl. MwSt.
Ersparnis : 12,80 €
Protokoll für überwachte Experimente
Ein zuverlässiges Experimentprotokoll aufbauen und eine zur unterstützenden Entscheidung passende Modellfamilie auswählen.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die in den ersten Kursen des Lernpfads vermittelten Grundlagen oder vergleichbare praktische Erfahrung werden vorausgesetzt.
- Ein reproduzierbares Experimentprotokoll aufbauen: Daten, Transformationen, Baseline, Metriken und Experimentjournal
- Interpretierbare und nichtlineare Modellfamilien vergleichen, ohne Komplexität mit nutzbarer Performance zu verwechseln
- Die Rolle von L1/L2-Regularisierung zur Kontrolle der Modellkomplexität verstehen
- Ein einfaches und ein komplexes Modell auf demselben realen Business Case vergleichen
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um ein zuverlässiges Experimentprotokoll aufbauen und eine zur unterstützenden Entscheidung passende Modellfamilie auswählen.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: ein einfaches und ein komplexes Modell auf demselben realen Business Case vergleichen
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
29,90 € zzgl. MwSt.
Datenzugriff und Umgang mit Klassenungleichgewicht
Eine zu den Projektbedingungen passende Modellierungsstrategie wählen, auf Quelldaten zugreifen und unausgewogene Klassen behandeln.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die in den ersten Kursen des Lernpfads vermittelten Grundlagen oder vergleichbare praktische Erfahrung werden vorausgesetzt.
- Eine Modellierungsstrategie nach Volumen, Nichtlinearität, Interpretierbarkeit, Latenz und Wartungskosten auswählen
- Metriken, Kurven und Entscheidungsschwellen anhand der Kosten von False Positives, False Negatives und Abstention wählen
- Über- und Untersampling ohne Leakage durchführen, einschließlich SMOTE und Alternativen
- Herkunft und Aktualität der verwendeten Daten dokumentieren (Data Lineage)
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um eine zu den Projektbedingungen passende Modellierungsstrategie wählen, auf Quelldaten zugreifen und unausgewogene Klassen behandeln.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: herkunft und Aktualität der verwendeten Daten dokumentieren (Data Lineage)
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
29,90 € zzgl. MwSt.
Validierung und Modellauswahl
Eine robuste Validierung aufbauen, Hyperparameter-Suche organisieren und ein finales Modell nachvollziehbar auswählen.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die in den ersten Kursen des Lernpfads vermittelten Grundlagen oder vergleichbare praktische Erfahrung werden vorausgesetzt.
- Eine passende Validierung aufbauen: Holdout, Cross-Validation, Gruppen, Zeit und Abhängigkeiten zwischen Beobachtungen
- Kandidaten mit identischem Protokoll vergleichen und dokumentieren, warum ein einfacheres Modell vorzuziehen sein kann
- Modellstabilität durch Resampling (Bootstrap) messen
- Praxisworkshop: ein Scoring-Experiment durchführen, mehrere Modellfamilien vergleichen und die finale Auswahl vertreten
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um eine robuste Validierung aufbauen, Hyperparameter-Suche organisieren und ein finales Modell nachvollziehbar auswählen.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: ein Scoring-Experiment durchführen, mehrere Modellfamilien vergleichen und die finale Auswahl vertreten
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
29,90 € zzgl. MwSt.
104,70 €
89,90 zzgl. MwSt.
Ersparnis : 14,80 €
Feature Engineering und Einführung in Deep Learning
Sinnvolle Datenrepräsentationen entwickeln und die Grundlagen von Deep Learning im Vergleich zu klassischem ML legen.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die in den ersten Kursen des Lernpfads vermittelten Grundlagen oder vergleichbare praktische Erfahrung werden vorausgesetzt.
- Sinnvolle Features aus Fachwissen entwickeln, ohne Leakage einzuführen
- Eine Segmentierung mit K-means erstellen und ihre Stabilität bewerten
- Features mit Filter-, Wrapper- und eingebetteten Methoden auswählen
- Ein kleines neuronales Netz mit einem modernen Framework trainieren und seine Konvergenz diagnostizieren
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um sinnvolle Datenrepräsentationen entwickeln und die Grundlagen von Deep Learning im Vergleich zu klassischem ML legen.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: ein kleines neuronales Netz mit einem modernen Framework trainieren und seine Konvergenz diagnostizieren
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
34,90 € zzgl. MwSt.
Zeitreihen und Textdaten
Zeitliche und textuelle Daten mit ihren jeweils passenden Methoden und Validierungen verarbeiten.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Zeitreihen analysieren: Trend, Saisonalität, Autokorrelation und Strukturbrüche
- Eine Forecast-Baseline etablieren und einfache Modelle vor komplexen Modellen vergleichen
- Mehrere Zeitreihen gleichzeitig mit Multi-Series- oder hierarchischer Prognose behandeln
- Eine vollständige Textklassifikations-Pipeline für einen Business Case erstellen
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um zeitliche und textuelle Daten mit ihren jeweils passenden Methoden und Validierungen verarbeiten.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: eine vollständige Textklassifikations-Pipeline für einen Business Case erstellen
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
34,90 € zzgl. MwSt.
Semantische Repräsentationen, Anomalien und Kausalität
Embeddings und Anomalieerkennung einsetzen sowie Vorhersage und Kausalität unterscheiden, um Interventionsentscheidungen zu unterstützen.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Embeddings und ihren Nutzen für Ähnlichkeit und semantische Repräsentation verstehen
- Eine Fehlerstrategie aufbauen: Grenzfälle, False Positives, False Negatives und Abstention
- Anomalien mit einem einfachen Autoencoder erkennen
- Praxisworkshop: Segmentierung, Vorhersage und Zeitanalyse in einem Kundenfall kombinieren
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um embeddings und Anomalieerkennung einsetzen sowie Vorhersage und Kausalität unterscheiden, um Interventionsentscheidungen zu unterstützen.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: segmentierung, Vorhersage und Zeitanalyse in einem Kundenfall kombinieren
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
34,90 € zzgl. MwSt.
119,70 €
101,90 zzgl. MwSt.
Ersparnis : 17,80 €
Software Engineering und ML-Reproduzierbarkeit
Ein Machine-Learning-Projekt in testbaren, versionierten und nachvollziehbaren Code strukturieren.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Den Code eines ML-Projekts in testbare und reproduzierbare Module strukturieren
- Eine automatisierte und erneut ausführbare Trainingspipeline erstellen
- Continuous Integration für ein Machine-Learning-Projekt einrichten
- Code eines Peers reviewen und konstruktives Feedback zu einer ML-Pipeline geben
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um ein Machine-Learning-Projekt in testbaren, versionierten und nachvollziehbaren Code strukturieren.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: code eines Peers reviewen und konstruktives Feedback zu einer ML-Pipeline geben
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
39,90 € zzgl. MwSt.
Datenzuverlässigkeit, Erklärbarkeit und Fairness
Abweichungen zwischen Training und Produktion verhindern, Modelle erklären und ihre Fairness bewerten.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Schemas validieren, Train-Serve Skew verhindern und die Rolle eines Feature Stores verstehen
- Bias und Performance nach relevanten Subpopulationen bewerten
- Lokale Erklärungen vom Typ LIME und SHAP am selben Fall vergleichen und Abweichungen interpretieren
- Nichtregressionstests für Qualität und Fairness eines Modells gestalten
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um abweichungen zwischen Training und Produktion verhindern, Modelle erklären und ihre Fairness bewerten.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: nichtregressionstests für Qualität und Fairness eines Modells gestalten
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
39,90 € zzgl. MwSt.
Deployment und Modelllebenszyklus
Einen Scoring-Service bereitstellen und Monitoring sowie Lebenszyklus in Produktion sicherstellen.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Einen reproduzierbaren Scoring-Service containerisieren oder paketieren
- Regeln für Retraining, Rollback und Validierung vor Promotion definieren
- Handlungsorientierte Alerts statt eines passiven Dashboards erstellen
- Praxisworkshop: ein Modell von der Experimentphase bis zum Monitoring industrialisieren
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um einen Scoring-Service bereitstellen und Monitoring sowie Lebenszyklus in Produktion sicherstellen.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: ein Modell von der Experimentphase bis zum Monitoring industrialisieren
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
39,90 € zzgl. MwSt.
135,00 €
114,90 zzgl. MwSt.
Ersparnis : 20,10 €
Strategische Einordnung und Geschäftswert
Entscheiden, ob ein Problem Machine Learning rechtfertigt, und den Geschäftswert eines Data-Science-Produkts entwickeln.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Bestimmen, ob ein Problem tatsächlich Machine Learning erfordert
- Zwischen vollständiger Automatisierung, assistierter Empfehlung und Human-in-the-Loop wählen
- Total Cost of Ownership eines Machine-Learning-Produkts schätzen
- Fehlerszenarien eines ML-Projekts und ihre Folgen antizipieren
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um entscheiden, ob ein Problem Machine Learning rechtfertigt, und den Geschäftswert eines Data-Science-Produkts entwickeln.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: fehlerszenarien eines ML-Projekts und ihre Folgen antizipieren
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
45,00 € zzgl. MwSt.
Governance, Ethik und Dokumentation
Daten und Modelle steuern, ethische Risiken einordnen und Compliance, Grenzen sowie zulässige Nutzungen dokumentieren.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Ein Protokoll für Produktionsexperimente und den Vergleich mit dem Ist-Zustand erstellen
- Ein Modell dokumentieren: Umfang, Daten, Performance, Grenzen, verbotene Nutzungen und Abhängigkeiten
- Sensible Daten anonymisieren oder pseudonymisieren, ohne ihren prädiktiven Wert zu zerstören
- Eine Richtlinie für verantwortungsvollen KI-Einsatz in einem Data-Science-Team verfassen
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um daten und Modelle steuern, ethische Risiken einordnen und Compliance, Grenzen sowie zulässige Nutzungen dokumentieren.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: eine Richtlinie für verantwortungsvollen KI-Einsatz in einem Data-Science-Team verfassen
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
45,00 € zzgl. MwSt.
Kontinuität, generative KI und Ergebnisdarstellung
Die Kontinuität eines ML-Produkts absichern, Foundation Models mit Augenmaß integrieren und die eigene Arbeit professionell darstellen.
Informationen zur Weiterbildung
Data-Fachkräfte, Analysten, Entwickler und technische Profile, die Data-Science-Projekte von der Exploration über Evaluation und Deployment bis zum Modellmonitoring durchführen möchten.
Die Grundlagen des Lernpfads sollten beherrscht werden oder gleichwertige Erfahrung vorliegen. Fortgeschrittene Kurse greifen auf zuvor behandelte Methoden, Werkzeuge und Kontrollen zurück.
- Einen Kontinuitätsplan gestalten: Modellfehler, Fallback, Abschaltung und Wiederaufnahme
- Ein ML-Projektportfolio mit Nachweisen zu Methode, Evaluation und Wirkung aufbauen
- Den Einsatz eines Foundation Models gegen Prompt Injection und Datenlecks absichern
- Abschlussprojekt: ein vollständiges ML-Produkt konzipieren, liefern und mit Produktionsdokumentation verteidigen
- Die im Kurs behandelten Methoden und Werkzeuge anwenden, um die Kontinuität eines ML-Produkts absichern, Foundation Models mit Augenmaß integrieren und die eigene Arbeit professionell darstellen.
- Eine repräsentative Aufgabe des Kurses selbstständig durchführen: ein vollständiges ML-Produkt konzipieren, liefern und mit Produktionsdokumentation verteidigen
- Die Konsistenz des erzielten Ergebnisses prüfen und festgestellte Fehler oder Abweichungen korrigieren
- Die erworbenen Kenntnisse in einem vergleichbaren beruflichen Kontext wiederverwenden
3 bis 5 Std.
45,00 € zzgl. MwSt.