Hauptinhalt überspringenNavigation überspringenFooter überspringen
Logo der Fachhochschule Nordwestschweiz
Studium
Weiterbildung
Forschung und Dienstleistungen
Internationales
Die FHNW
De
Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien

      Logo der Fachhochschule Nordwestschweiz
      • Studium
      • Weiterbildung
      • Forschung und Dienstleistungen
      • Internationales
      • Die FHNW
      De
      Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien

      Unsere nächsten
      Infoanlässe
      Jetzt anmelden!

      Weiterbildung Info...
      Fachvertiefungsmodule Data...
      Modul: ML in Production

      Modul: ML in Production

      Ein permanent verfügbarer und überwachter Betrieb deiner ML-Projekte sind die Grundbausteine für einen professionellen Betrieb.

      Eckdaten

      ECTS-Punkte
      2
      Nächster Start
      20.06.2025
      Dauer
      3 Unterrichtstage
      Unterrichtstage
      Freitags, Samstags
      Unterrichtssprache
      Deutsch
      Durchführungsort(e)
      FHNW Campus Brugg-Windisch
      Preis
      CHF 1200.–

      Jetzt anmelden!

      Jetzt anmelden

      Mobile navi goes here!

      Viele angehende Data Scientists sind sich folgendes Setup gewohnt: Ein Machine Learning Modell wird mit einem vorhandenen Daten-Export lokal in einem Jupyter Notebook trainiert und evaluiert. Das so trainierte Modell mag zwar gute Resultate erbringen, dies ist jedoch nur der Anfang. Für die professionelle Überführung in den produktiven Betrieb müssen viele weitere Aspekte berücksichtigt werden.

      Ein paar Beispiele:

      • Betreibst du selbst einen Service oder nutzt du die Cloud? Dazu müssen betriebliche, infrastrukturelle und rechtliche Gesichtspunkte berücksichtigt werden.
      • Wie kann ein produktiv betriebenes ML-Modell überwacht werden? Wird dies vernachlässigt, dann läufst du Gefahr, dass dein ML-Modell mit der Zeit schlechtere Resultate liefert (z.B. aufgrund nicht erkannter Änderungen in den Input-Daten), du dies aber nicht bemerkst.
      • Wie kann ein neues Modell trainiert resp. mit dem bisherigen verglichen werden um zu prüfen, ob sich dies in der Praxis bessere Resultate liefert?
      • Wie wird ein neues Modell ohne Service-Unterbruch bereitgestellt?

      Modulübersicht

      In zwei Unterrichtstagen fokussierst du dich auf die konkrete Umsetzung einer professionellen ML Infrastruktur auf Kubernetes in der Google Cloud und die dafür erforderlichen Konzepte. Du erhältst zuerst einen Überblick über die zentralen Software-Entwicklungsgrundlagen wie Versionierung (auch bezüglich Machine Learning Modellen & Datasets), Packaging oder Pipelines. Im Anschluss steht das Deployment mit Themen wie Deployment Strategien (Canary Release, A/B Testing…), Monitoring/Metriken, High-Availability & Fault-Tolerance im Vordergrund. Abgerundet wird der Teil mit weiterführenden Themen wie Lifecycle Mangement oder Online-Learning. Am Ende dieses Kursteils wurden sämtliche Konzepte praktisch umgesetzt, so dass du im Anschluss selbst in der Lage bist, dein ML-Modell professionell zu betreiben.

      Lernziele
      • Du weisst, wie du den Code strukturieren musst, damit dieser auch ausserhalb des Jupyter Notebooks verwendet werden kann.
      • Du kannst dein Machine Learning-Modelle und -Daten sauber versionieren.
      • Du bist mit dem Konzept der Containerisierung vertraut.
      • Du kannst dein Machine-Learning auf Kubernetes in der Cloud deployen.
      • Du kennst verschiedene Deployment-Stratgien Canary-Releases, A/B-Testing, Shadowing etc.) und kannst dich begründet für eine entscheiden und diese während dem laufenden Betrieb durchführen, ohne dass der Nutzer davon etwas merkt.
      • Du kannst eine laufende Machine Learning-Anwendung überwachen und warten.
      • Du weisst, wie du einen hoch-verfügbaren Service in der Cloud anbieten kannst.
      • Du kennst das Prinzip von Online-Learning und kannst dies umsetzen.
      Technologien

      Kubernetes, Python, Scikit-learn, Google Cloud

      Erwartete Vorkenntnisse
      • Grundkompetenz im Umgang mit Daten- und Informationen sowie grundlegende Affinität zu Programmierung
      • Bereits erste Erfahrungen mit Python & Machine Learning
      • Bereits Erfahrungen in typischen betrieblichen IT-Fragestellungen sind von Vorteil
      • Du kannst ein Machine Learning Modell mit Python trainieren
      Kursvorbereitungen
      • Einarbeitung in Kubernetes (Instruktionen werden zur Verfügung gestellt)
      • Erstellen eines Google-Accounts

      Bitte plane etwa 10 Stunden für die Vorbereitung.

      Weitere Informationen

      Abschluss

      Du erhältst in jedem Fall eine Teilnahmebestätigung. Falls du in der festgelegten Leistungsbeurteilung mindestens eine genügende Leistung erbringst, erhältst du einen Nachweis, dass du das Modul erfolgreich bestanden hast.

      Teilnehmenden des DAS- oder MAS-Data-Science-Weiterbildungslehrgangs werden die entsprechenden ETCS-Punkte angerechnet.

      Dozierende

      Florian Lüscher, Mitgründer und Solution Architect der Firma dsi-ag, welche sich auf agile Software-Entwicklung, Machine Learning & Cloud Computing spezialisiert hat. Zusätzlich organisiert Florian Lüscher die ML Meetups in Bern.
      LinkedIn

      Unterrichtstage
      • 20.06.2025
      • 04.07.2025
      • 05.07.2025
      Mindestteilnehmerzahl

      8 Teilnehmende

      Kosten

      CHF 1200.–

      Downloads & weitere Informationen

      Programm-Reglement Weiterbildung Data Science

      Weiterbildung

      Weiterbildung Informatik
      Module Data Science
      Patrizia Hostettler

      Patrizia Hostettler

      Sekretariat Weiterbildung

      Telefonnummer

      +41 56 202 72 18

      E-Mail

      patrizia.hostettler@fhnw.ch

      Adresse

      Fachhochschule Nordwestschweiz FHNW Hochschule für Technik und Umwelt Hochschule für Informatik Klosterzelgstrasse 2 5210 Windisch

      Michael Henninger

      Prof. Michael Henninger

      Leiter Data Science Weiterbildung

      Telefonnummer

      +41 56 202 99 55

      E-Mail

      michael.henninger@fhnw.ch

      Adresse

      Fachhochschule Nordwestschweiz FHNW Hochschule für Informatik Bahnhofstrasse 6 5210 Windisch

      ht_wbt_das_ds_moduleht_wbt_das_ds_module_fs

      Hochschule für Informatik FHNW, Brugg-Windisch

      Fachhochschule Nordwestschweiz FHNW
      Hochschule für Informatik

      Bahnhofstrasse 6

      5210 Windisch

      Telefon+41 56 202 90 00

      E-Mailinfo.informatik@fhnw.ch

      Mehr Infos zum Standort

      Angebot

      • Studium
      • Weiterbildung
      • Forschung & Dienstleistungen

      Über die FHNW

      • Hochschulen
      • Organisation
      • Leitung
      • Facts and Figures

      Hinweise

      • Datenschutz
      • Accessibility
      • Impressum

      Support & Intranet

      • IT Support
      • Login Inside-FHNW

      Member of: