Data Engineer: Konzepte des maschinellen Lernens
Die Teilnehmer werden eine solide Grundlage im Bereich des maschinellen Lernens (ML) für Data Engineering entwickeln und lernen, wie man ML-Modelle in Datenpipelines integriert, das Feature Engineering optimiert und Arbeitsabläufe automatisiert. Sie werden praktische Erfahrungen in der Verarbeitung großer Datenmengen, SQL-gesteuerten Transformationen und Echtzeit-ML-Anwendungen sammeln, die es ihnen ermöglichen, skalierbare, leistungsstarke ML-Arbeitsabläufe zu erstellen.

Einführung in das maschinelle Lernen für Dateningenieure
  • Verstehen Sie die Rolle von ML im Data Engineering und seine Auswirkungen auf Big-Data-Workflows.
  • Lernen Sie überwachte und unüberwachte Lerntechniken kennen.
  • Erkunden Sie die Datenvorverarbeitung, Modellauswahl und -bewertung.
Datenaufbereitung und Feature-Engineering
  • Führen Sie die Datenbereinigung, -normalisierung und -transformation für ML-Modelle durch.
  • Entwickeln Sie Funktionen aus strukturierten und unstrukturierten Datensätzen.
  • Optimieren Sie Techniken zur Dimensionsreduktion für effiziente ML-Workflows.
SQL für Machine-Learning-Pipelines
  • Implementieren Sie SQL-basiertes Feature-Engineering für strukturierte Daten.
  • Optimieren Sie die Datenspeicherung und -abfrage für ein schnelleres Modelltraining.
  • Automatisieren Sie ETL-Workflows für ML-Anwendungen mit SQL und Python.
Bereitstellung von Machine-Learning-Modellen in Datenpipelines
  • Integrieren Sie ML-Modelle in ETL- und Datenverarbeitungs-Workflows.
  • Nutzen Sie TensorFlow, scikit-learn und PyTorch für die Modellentwicklung.
  • Automatisieren Sie Echtzeit-Modellvorhersagen in Big-Data-Anwendungen.
Big Data und ML-Integration
  • Arbeiten Sie mit Apache Spark MLlib für die verteilte ML-Verarbeitung.
  • Trainieren und implementieren Sie skalierbare Modelle in Big-Data-Umgebungen.
  • Optimieren Sie Fehlertoleranz und Leistung in ML-Pipelines.
Echtzeit-ML und Streaming-Daten
  • Implementieren Sie Echtzeit-ML-Vorhersagen mit Kafka und Spark Streaming.
  • Optimieren Sie die Datenverarbeitung mit geringer Latenz für eine dynamische Entscheidungsfindung.
  • Automatisiertes ML-Modell-Retraining für Streaming-Datenpipelines bereitstellen.
Praktische Projekte zum maschinellen Lernen für Dateningenieure
  • ML-Pipelines mit Big-Data-Workflows integrieren.
  • Praxisnahe Vorhersagemodelle mit SQL- und ML-Frameworks entwickeln.
  • Datengesteuerte maschinelle Lern-Workflows für Skalierbarkeit und Effizienz optimieren.

Teilnehmer lernen, wie man mit Python und SQL datengetriebene maschinelles Lernen-Anwendungen automatisiert.