Machine Learning Model Management – Ein Framework-Vergleich

Maschinelles Lernen gewinnt für Unternehmen stetig an Bedeutung und die Integration in die eigene IT-Landschaft wird zur essentiellen Herausforderung. Wie andere Software muss maschinelles Lernen Anforderungen an Reproduzierbarkeit, Versionierung, Monitoring und Skalierung erfüllen. Aus diesem Bedarf heraus entstanden 2018 mit DVC, Sacred und MLFlow einige Open-Source-Projekte die Data Scientisten bei der Persistierung und Selektion von Modellen unterstützen.

Dieser Vortrag stellt diese Frameworks vor, vergleicht und bewertet sie konzeptionell und zeigt in kurzen Live-Demos den konkreten Einsatz. Letztlich werden im Vortrag unterschiedliche Einsatzszenarien entwickelt um den Besucher bei der Auswahl des geeigneten Tools in Bezug auf die Anforderungen zu unterstützten.

Vorkenntnisse

Ein grundlegendes Verständnis von Python sowie der gängigen PyData-Bibliotheken ist von Vorteil.

Lernziele

* Verständnis für die Bedeutung von Reproduzierbarkeit im Machine-Learning-Bereich
* Übersicht von Hilfsmittel zur Versionierung von ML-Modellen
* Unterstützung bei der Auswahl eines geeigneten Frameworks für die eigenen Bedürfnisse

 

Speaker

 

Nico Kreiling
Nico Kreiling ist stets neugierig und begeistert sich schnell für neue Technologien. Er arbeitet als Big Data Scientist bei inovex und produziert den inoTecCast, einen Entwickler-Podcast, in dem spannende, innovative Technologien erklärt werden.

Gold-Sponsor

Novatec

Silber-Sponsoren

ETECTURE
inovex
inovex
HO Computer
Intel
Phytec

Bronze-Sponsoren

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

 

Anmelden