• Schulungen
  • End-2-End vom Keras TensorFlow-Modell zur Produktion
  • End-2-End vom Keras TensorFlow-Modell zur Produktion

Inhouse

Auf Anfrage

End-2-End vom Keras TensorFlow-Modell zur Produktion

Trainer*in:
Shirin Elsinghorst
Mark Keinhörster
Tim Sabsch
Denis Stalz-John
Thomas Timmermann

Beschreibung

Durch das stark wachsende Datenvolumen hat sich das Rollenverständnis von Data Scientists erweitert. Statt Machine-Learning-Modelle für einmalige Analysen zu erstellen, wird häufiger in konkreten Entwicklungsprojekten gearbeitet, in denen Prototypen in produktive Anwendungen überführt werden.
Dieser Workshop bietet einen Einstieg in Keras, einer High-Level-Schnittstelle für das Deep-Learning-Framework TensorFlow, die ein schnelles, einfaches und flexibles Prototypisieren von neuronalen Netzwerken ermöglicht. Fortgeschrittene Netze werden entweder für die Bilderkennung oder Textverarbeitung beschrieben und ausprobiert. Mit der Vorstellung von Technologien wie TensorFlow Extended, Airflow oder Luigi lernen die Teilnehmer, wie sich mit wenig Aufwand beliebig komplexe Datenverarbeitungs-Workflows inklusive Deployment in Python erstellen lassen. Das führt dazu, dass auch Nicht-Entwickler den End-2-End-Workflow des Keras-TensorFlow-Modells zur Produktionsreife leicht implementieren können.

Teilnahmevoraussetzungen und Zielgruppe

Zielgruppe sind Softwareentwickler, Data Scientists, Data Engineers und Data Analysts.

Sämtliche Workshopmaterialien werden als Git Repository und Docker Image bereitgestellt. Mitzubringen ist daher ein Notebook mit Adminrechten, Git und vorinstalliertem Docker sowie ausreichend freier Speicherplatz (ca. 5GB).


Inhalte:

  • Intro: Machine Learning
    – Was ist Machine Learning?
    – Was gehört zu einem Machine-Learning-Workflow?
    – Was sind neuronale Netze?
    – Was sind TensorFlow und Keras?
    – Praxisteil:
  • Bildklassifikation mit neuronalen Netzen
    – Wie füttert man ein neuronales Netz mit Bildern?
    – Was sind Convolutional Neural Networks?
    – Welche wichtigen CNN-Architekturen gibt es?
    – Praxisteil:

    • Vortrainierte Netze anwenden, erweitern und auswerten
    • Eigenes CNN entwickeln und trainieren
  • Alternativ: Textverarbeitung mit Neuronalen Netzen
    – Wie füttert man ein neuronales Netz mit Text? (u. A. Bag of Words, Word Embeddings)
    – Wie verarbeitet ein Neuronales Netz den Text? (u. A. CNN, RNN und Attention Networks)
    – Praxisteil: Kann Keras Gedichte von Goethe, Heine und Tucholsky unterscheiden?
  • Intro: Machine Learning in Produktion
    – Wie kommt mein neuronales Netz in die Anwendung?
    – Welche Bestandteile gehören dazu?
  • Versionskontrolle für Data Scientisten
    – Was bedeuten reproduzierbares Trainieren und Entwickeln?
    – Wie kombiniere ich das mit CI/CD?
    – Was sind DVC und MLFlow?
    – Praxisteil: Versionierung mit DVC
  • Model Deployment
    – Wie deploye ich mein Modell, um in Echtzeit Klassifikationen zu erhalten?
    – Wie integriere ich meine Datenvorverarbeitung in das Deployment?
    – Was ist TensorFlow Serving?
    – Praxisteil: Deployment mit TensorFlow Serving
  • Orchestrierung und Scheduling
    – Wie koordiniere ich all meine Schritte in meinem Workflow?
    – Was sind Airflow, Luigi und TensorFlow Extended?
    – Praxisteil: Einen Workflow mit Airflow/Luigi implementieren

Schulungssprache

Deutsch oder Englisch, Trainingsmaterial auf Englisch


Dauer in Tagen

2


Teilnahmegebühr

950 € zzgl. MwSt. pro Teilnehmer

Anmeldeformular

Cookies erleichtern die Bereitstellung unserer Dienste. Mit der Nutzung unserer Dienste erklären Sie sich damit einverstanden, dass wir Cookies verwenden. Weitere Informationen

Hinweis: In Ihrem Browser ist JavaScript deaktiviert. Für eine bessere und fehlerfreie Nutzung dieser Webseite, aktivieren Sie bitte JavaScript in Ihrem Browser.