Verwaltungsinformationen
| Titel | Datenarchitektur |
| Dauer | 60 |
| Modulen | B |
| Unterrichtstyp | Interaktive Sitzung |
| Fokussierung | Praktisch – Organisationelle KI |
| Themenbereich | Datenarchitektur |
Suchbegriffe
Data Architecture, Machine Learning Pipeline,MLOps,
Lernziele
- Um die grundlegenden Datenarchitekturen im Machine Learning kennen zu lernen
- Stellen Sie Fragen zu den am besten geeigneten Datenarchitekturen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- Datenanalyseprozess
- Modelle für maschinelles Lernen
- DevOps
- CI/CD
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
- DevOps
- CI/CD
Empfohlen für Lehrer
Unterrichtsmaterialien
Anleitung für Lehrer
Verwenden Sie die folgende Gliederung:
- Einführung in die Diskussion
- Was sind die am meisten verbreiteten Architekturen für ML Systems?
- Was ist eine typische ML-Pipeline?
- Was sind die MLOps?
- Wie ist es möglich, eine ML-Pipeline zu automatisieren und zu orchestrieren?
- Wie kann ein Continuous Integration/Continuous Delivery CI/CD-System für die ML-Pipeline über die Cloud konfiguriert werden?
- Fragen und weitere Diskussion zu Themenvorschlägen der Studierenden
- Diskussion
- Was sind die Eigenschaften der Tensor Flow eXTended (TFX) Architektur?
- Wie kann die Cloud das TFX-Modell unterstützen?
- Wie ist es möglich, die TFX-Pipeline zu automatisieren und zu orchestrieren?
- Wie kann ein Continuous Integration/Continuous Delivery CI/CD-System für die TFX-Pipeline konfiguriert werden?
- Fragen und weitere Diskussion zu Themenvorschlägen der Studierenden
- Schlussfolgerungen
- Zusammenfassung und Diskussion der Unterrichtsergebnisse:
- Hauptmerkmale einer ML-Systemarchitektur und von ML-Pipelines
- MLOPS
- Automatisierung und Orchestrierung einer ML-Pipeline unter Bezugnahme auf das TFX-Modell
- Abschließende Bemerkungen
- Zusammenfassung und Diskussion der Unterrichtsergebnisse:
Zeitplan
| Dauer (min) | Beschreibung | Konzepte |
|---|---|---|
| 20 | Einführung in die Diskussion | Ml Systemarchitektur, ML Pipeline |
| 30 | Diskussion | Ml in Produktionsbeispielen |
| 10 | Zusammenfassende und abschließende Bemerkungen |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.