Suche

MLOps - Praxisorientierte Operationalisierung von Machine Learning

Zwei Tage zu der Frage, wie Machine-Learning-Modelle aus dem Notebook in einen verlässlichen, nachvollziehbaren Betrieb kommen. Sie versionieren Daten mit DVC, bauen reproduzierbare Experimente auf und verwalten wiederverwendbare Merkmale in einem Feature Store mit Feast. Danach vergleichen Sie Wege, Modelle bereitzustellen und zu skalieren, darunter TensorFlow Serving, KServe und eventbasierte Pipelines, und ordnen Plattformen wie Kubeflow, MLflow und Metaflow ein. Zum Abschluss richten Sie ein Monitoring für Modell und Datenqualität ein, mit Werkzeugen wie Evidently, NannyML und Great Expectations und einem Dashboard in Grafana.

  • 2 Tage
  • Fortgeschrittener
  • Deutsch
  • 1.395 € zzgl. MwSt.
  • Bescheinigung und digitales Badge
Termin & Ort wählenAlle Termine

Auf einen Blick

Kurs
Seminar, 2 Tage, Niveau Fortgeschrittener, Sprache Deutsch.
Preis
1.395 € netto pro Person (1.660,05 € inkl. 19 % MwSt.). Als Firmenseminar 1.795 € netto pro Tag.
Termine
104 Termine bis August 2027, online im Virtual Classroom und vor Ort in 23 Städten, u. a. Berlin, Bremen, Darmstadt und Dresden. Nächster Termin: 09.–10.11.2026.
Nachweis
Teilnahmebescheinigung und digitales Badge für jede Teilnahme.

Worum es geht

Der Kurs ist bewusst breit angelegt und überwiegend auf Open-Source-Werkzeuge ausgerichtet. Er hilft bei der Entscheidung, welche Bausteine eine Organisation für den ML-Betrieb braucht. Im Lernpfad Datenanalyse mit Python steht er nach Data Analytics mit Machine Learning, gleichrangig mit Modernes MLOps mit MLflow, das ein einzelnes Werkzeug vertieft.

Praxisbezug im Gesundheitswesen

Viele Modelle im Gesundheitswesen bleiben Prototypen, weil niemand festgelegt hat, wie sie aktualisiert, überwacht und dokumentiert werden. Eine Belegungsprognose oder ein Modell zur Vorauswahl von Rechnungen für die Prüfung verliert an Aussagekraft, wenn sich Abrechnungsregeln, Versorgungsangebote oder Kodierpraxis ändern. Monitoring auf Daten- und Modelldrift zeigt solche Veränderungen frühzeitig, bevor Planungen auf veralteten Annahmen beruhen. Datenversionierung macht nachvollziehbar, mit welchem Datenstand ein Modell trainiert wurde, was gegenüber Datenschutz, Revision und Leitung wichtig ist. Wo Gesundheitsdaten im Spiel sind, gehören auch Pseudonymisierung, Zugriffsrechte und Löschfristen in die Pipeline und nicht erst in die Dokumentation.

Ziel des Seminars

In dieser 2-tägigen Schulung "MLOps - Praxisorientierte Operationalisierung von Machine Learning" erwerben Sie ein tiefgreifendes Verständnis der Konzepte, Werkzeuge und Prozesse des Machine Learning Operations (MLOps). Sie lernen, wie sich ML-Modelle effizient entwickeln, versionieren, bereitstellen und überwachen lassen – von der Datenverwaltung über Feature Stores bis hin zum produktiven Betrieb in skalierbaren Umgebungen.

Durch eine Kombination aus Theorie, Best Practices und praktischen Übungen wird vermittelt, wie reproduzierbare, robuste und transparente ML-Workflows aufgebaut werden. Nach Abschluss der Schulung sind die Teilnehmer in der Lage, Machine-Learning-Modelle nahtlos in bestehende Systeme zu integrieren und deren Performance im laufenden Betrieb zu sichern.

Für wen

  • Data Scientists und Machine Learning Engineers, die ML-Modelle entwickeln, verwalten und optimieren
  • Softwareentwickler mit ML-Bezug, die ML-Modelle in Anwendungen integrieren
  • Data Engineers, die Datenmanagement, Feature Engineering und ML-Pipelines verantworten
  • Produkt- und Innovationsmanager, die ML-Technologien strategisch einsetzen möchten

Inhalte

Modul 1: Machine Learning Grundlagen
  • Einführung in zentrale Konzepte des Machine Learnings
  • Überblick über überwachtes und unüberwachtes Lernen
  • Modellarchitekturen, Trainings- und Evaluierungsmethoden
  • Praktische Übung: Training eines ML-Modells mit TensorFlow
Modul 2: Data Versioning & Reproduzierbarkeit
  • Bedeutung von Datenversionierung in ML-Prozessen
  • Einführung in Tools wie DVC und Pachyderm
  • Aufbau reproduzierbarer ML-Experimente
  • Praktische Übung: Verwaltung von Datenpipelines mit DVC
Modul 3: Feature Stores für ML-Modelle
  • Funktionsweise und Nutzen von Feature Stores
  • Verwaltung konsistenter und wiederverwendbarer Features
  • Einführung in Feast als Feature-Store-Lösung
  • Praktische Übung: Aufbau einer eigenen Feature-Pipeline
Modul 4: Model Storage, Serving & Event-Based Pipelines
  • Strategien zur Bereitstellung und Skalierung von ML-Modellen
  • Vergleich von TFServe, KServe und Open-Source-Alternativen
  • Einführung in eventbasierte ML-Pipelines für Echtzeitszenarien
  • Praktische Übung: Bereitstellung und Überwachung eines Modells
Modul 5: Model Hosting & Data-Science-Plattformen
  • Überblick über Kubeflow, MLflow und Metaflow
  • Auswahlkriterien für geeignete ML-Plattformen
  • Praktische Übung: Hosting und Verwaltung von ML-Modellen in einer Plattformumgebung
Modul 6: Monitoring, Transparenz & Data Quality
  • Kontinuierliches Monitoring von ML-Modellen und Datenqualität
  • Einsatz von Tools wie Evidently, NannyML, Great Expectations und DeeQu
  • Aufbau von Dashboards mit Grafana
  • Praktische Übung: Implementierung eines Monitoring-Setups für ein ML-Modell

Voraussetzungen

  • Grundkenntnisse in Python und Machine Learning sowie ein grundlegendes technisches Verständnis (z. B. Umgang mit Terminal oder Jupyter Notebooks) sind hilfreich, um die praktischen Übungen optimal nachzuvollziehen.
  • Alle Schritte werden jedoch im Training live demonstriert und begleitet, sodass auch Teilnehmende mit weniger Programmiererfahrung aktiv mitwirken können.

Methode

Die Schulung bietet Ihnen eine ausgewogene Mischung aus Theorie und Praxis. Sie tauschen sich direkt mit projekterfahrenen Trainerinnen und Trainern und den anderen Teilnehmenden aus.

Lernpfad Datenanalyse mit Python

  1. Davor
  2. Dieses SeminarMLOps

Ihre Vorteile

  • Trainer mit Projekterfahrung: Sie lernen bei Expertinnen und Experten, die nicht nur schulen, sondern selbst Projekte umsetzen – etwa Power-BI- und Analytics-Projekte. So erfahren Sie, worauf es in der Praxis ankommt.
  • Seminarunterlage
  • Schulungsumgebung (LAB)
  • Teilnahmebescheinigung und digitales Badge

Häufige Fragen zu MLOps

Für wen im Gesundheitswesen eignet sich der MLOps-Kurs?

Für Data Scientists und Machine Learning Engineers, Data Engineers, Softwareentwicklerinnen und -entwickler mit ML-Bezug sowie Produkt- und Innovationsverantwortliche. Im Gesundheitswesen passt er zu Data-, Plattform- und IT-Teams in Krankenhäusern, Klinikverbünden und Krankenkassen, die Modelle aus der Erprobung in einen verlässlichen Betrieb überführen wollen.

Welche Vorkenntnisse brauche ich für den MLOps-Kurs?

Grundkenntnisse in Python und Machine Learning sowie ein technisches Grundverständnis, etwa im Umgang mit Terminal oder Jupyter Notebooks, sind hilfreich. Alle Schritte werden im Training vorgeführt und begleitet, sodass auch Teilnehmende mit wenig Programmiererfahrung mitarbeiten können.

Was ist der Unterschied zu Modernes MLOps mit MLflow?

Dieser zweitägige Kurs gibt einen breiten, herstellerneutralen Überblick über den gesamten Lebenszyklus: Datenversionierung, Feature Stores, Modell-Serving, Plattformen im Vergleich und Monitoring mit Werkzeugen wie Evidently und Great Expectations. MLflow kommt dabei als eine von mehreren Plattformen vor. Modernes MLOps mit MLflow geht in drei Tagen in die Tiefe eines Werkzeugs: Tracking Server, Model Registry und automatisiertes Deployment mit AWS Sagemaker. Wer eine MLOps-Architektur erst auswählen will, beginnt hier; wer sich für MLflow entschieden hat, vertieft im MLflow-Kurs.

Gibt es auch einen MLOps-Kurs für Microsoft Azure?

Ja. Der offizielle Microsoft-Kurs AI-300 behandelt MLOps mit Azure Machine Learning und den Betrieb generativer KI mit Microsoft Foundry. Er passt für Einrichtungen, die ihre Datenplattform auf Azure betreiben.

Was kostet das Seminar MLOps?

Die Teilnahme kostet 1.395 € netto pro Person, das sind 1.660,05 € inklusive 19 % Mehrwertsteuer. Im Preis enthalten: Seminarunterlage und Schulungsumgebung (LAB). Als Firmenseminar exklusiv für Ihr Team berechnen wir 1.795 € netto pro Schulungstag.

Wann und wo findet MLOps statt?

Das Seminar dauert 2 Tage. Bis August 2027 gibt es 104 Termine, online im Virtual Classroom und vor Ort in 23 Städten, u. a. Berlin, Bremen, Darmstadt, Dresden, Düsseldorf und Essen. Der nächste Termin ist am 09.–10.11.2026.

Erhalte ich nach MLOps einen Nachweis?

Ja. Jede Teilnahme erhält eine Teilnahmebescheinigung und ein digitales Badge.

Kann ich MLOps als Firmenseminar für mein Team buchen?

Ja. Als Firmenseminar findet MLOps exklusiv für Ihr Team statt – bei Ihnen vor Ort oder online, zu einem Termin Ihrer Wahl. Der Tagessatz beträgt 1.795 € netto.

Passendes Wissen

Alle Artikel

Termine & Orte

Offener Kurs · 1.395 € pro Person zzgl. MwSt. Klicken Sie auf einen Ort, um genau diesen Termin anzufragen.

Termine und Orte werden täglich aus dem Seminarkatalog aktualisiert, zuletzt am 7.11.2026.

Ähnliche Seminare

Alle Seminare: Data Science & Analytics

Lassen Sie uns über Ihr Projekt sprechen.

Unverbindliches Erstgespräch zu Beratung, Projekt oder Schulung.

Gespräch anfrageninfo@digitalhealthexperts.de