Jedes Modul umfasst 3 ECTS. Sie wählen insgesamt 10 Module/30 ECTS in den folgenden Modulkategorien:
- 12-15 ECTS in Technisch-wissenschaftlichen Modulen (TSM)
TSM-Module vermitteln Ihnen profilspezifische Fachkompetenz und ergänzen die dezentralen Vertiefungsmodule. - 9-12 ECTS in Erweiterten theoretischen Grundlagen (FTP)
FTP-Module behandeln theoretische Grundlagen wie die höhere Mathematik, Physik, Informationstheorie, Chemie usw. Sie erweitern Ihre abstrakte, wissenschaftliche Tiefe und tragen dazu bei, den für die Innovation wichtigen Bogen zwischen Abstraktion und Anwendung spannen zu können. - 6-9 ECTS in Kontextmodulen (CM)
CM-Module vermitteln Ihnen Zusatzkompetenzen aus Bereichen wie Technologiemanagement, Betriebswirtschaft, Kommunikation, Projektmanagement, Patentrecht, Vertragsrecht usw.
In der Modulbeschreibung (siehe: Herunterladen der vollständigen Modulbeschreibung) finden Sie die kompletten Sprachangaben je Modul, unterteilt in die folgenden Kategorien:
- Unterricht
- Dokumentation
- Prüfung
Dieses Modul stellt leistungsstarke Techniken zur Verwaltung des Lebenszyklus von Machine-Learning-Modellen vor und deckt insbesondere Basismodelle, Infrastruktur (Cluster, Cloud, Edge AI, Ressourcenmanagement) und Werkzeuge (Frameworks), Modelltraining und -debugging, Modellevaluierung und -tuning, Datenmanagement (Quellen, Speicherung, Versionierung, Datenschutz), Systemtests (CI/CD) und Erklärbarkeit, Einsatz (Batch, Dienst, Edge), Überwachung (Daten-Drift) und kontinuierliches Lernen ab. Der Schwerpunkt liegt auf praktischen Werkzeugen, realen Anwendungsszenarien und den relevanten Hardware- und Softwareplattformen. Zusätzliche Themen wie Geschäftsanforderungen und -ziele, Projektmanagement für ML, Teamstruktur, Benutzererfahrung sowie verantwortungsvoller Einsatz von ML-Systemen, einschließlich nachhaltiger AI, werden ebenfalls berücksichtigt.
Eintrittskompetenzen
- Grundkenntnisse im Bereich Maschinelles Lernen, Deep Learning, Datenmanagement und Data Engineering.
- Gute Beherrschung einer imperativen Programmiersprache, Grundkenntnisse in Python.
- Grundkenntnisse in Wahrscheinlichkeit, Statistik, Linearer Algebra (Vektoren, Matrizen).
Lernziele
- Erkennung des gesamten Lebenszyklus von Machine-Learning-Projekten, von Datenanforderungen über Entwicklung, Einsatz bis hin zur Überwachung.
- Demonstration von Fähigkeiten zur Pflege von ML-Code und Daten, Versionierung und Integration sowie Definition geeigneter Umgebungen, mit Schwerpunkt auf praktischen Anwendungen wie Datenbereinigung und -vorverarbeitung.
- Bereitstellung von ML-Modellen im großen Maßstab, Überwachung ihrer Leistung und Anpassung der Modelle an sich ändernde Anforderungen, mit Fokus auf die Bewertung und Anpassung an Datenveränderungen und Verschiebungen in der Datendistribution.
- Analyse relevanter Werkzeuge und realer Anwendungsfälle, wie das Management von Echtzeitdiensten; kritische Analyse der Implikationen und Anwendungen in praktischen Szenarien.
- Auswahl von Software- und Hardwareplattformen basierend auf den Anforderungen verschiedener Szenarien und Demonstration eines tiefgreifenden Verständnisses der Bedürfnisse und Einschränkungen jedes Einzelfalls.
- Extrahieren und Integrieren von Erkenntnissen aus Gastvorträgen von Branchenprofis (je nach Verfügbarkeit) und Demonstration der Fähigkeit, Expertenwissen aus wissenschaftlicher Literatur und Online-Ressourcen zu interpretieren und es effektiv zu nutzen, um ihre praktische Erfahrung zu ergänzen.
Modulinhalt
- Kurze Wiederholung von maschinellem Lernen und tiefem Lernen.
- Einführung in den Lebenszyklus eines Machine-Learning-Projekts.
- Verständnis der Datenbedürfnisse und -anforderungen für ML-Projekte (z.B. Versionierung, Speicherung, Verarbeitung, Kennzeichnung, Erweiterung, Simulation).
- ML-Entwicklung: Definition der Umgebung, Pflege des ML-Codes, Integration des ML-Codes (Versionierung, Bewertung, Baselines).
- ML-Bereitstellung: Modelle im großen Maßstab ausführen (z.B. Stapelverarbeitung vs. Online, Modellkompression, Cloud-/Edge-Bereitstellung), Systemverfügbarkeit sicherstellen, Leistung überwachen, Anpassung an Änderungen (Verschiebungen der Datendistribution, Ausfälle, Metriken, Protokollierung, kontinuierliches Lernen).
- Erforschung von Werkzeugen und realen Szenarien.
- Überblick über relevante Hardware- und Softwareplattformen.
- Auswahl fortgeschrittener Themen wie:
- Trustworthy AI (einschließlich regulatorischer Aspekte).
- Gastvorlesung(en) von Branchenprofis (je nach Verfügbarkeit).
- Projektmanagement und betriebswirtschaftliche Perspektive (z.B. Jobrollen, Teams).
Lehr- und Lernmethoden
Klassenunterricht; Programmierübungen mit MLOps-Tools und Python (unter anderem); Gastvorlesungen von Industrieprofis (je nach Verfügbarkeit).
Bibliografie
- Chip Huyen , “Designing Machine Learning Systems: An Iterative Process for Production-Ready Application”, O-Reily, 2022
- Noah Gift & Alfredo Deza, “Practical MLOps - Operationalizing Machine Learning Models”, O’Reilly, 2021
- Wissenschaftliche Literatur und Artikel, wie sie in den Vorlesungen besprochen wurden
Vollständige Modulbeschreibung herunterladen
Zurück