Kurs
Überwachung von Machine-Learning-Konzepten
MittelSchwierigkeitsgrad
Aktualisiert 05/2026
TheoryMachine Learning2 Std.11 Videos33 Übungen2,050 XP5,018Leistungsnachweis
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
Beliebt bei Lernenden in Tausenden Unternehmen
Ein Team schulen?
Für Unternehmen ausprobierenKursbeschreibung
Konzepte zur Überwachung des maschinellen Lernens
Modelle für maschinelles Lernen beeinflussen immer mehr Entscheidungen in der echten Welt. Diese Modelle müssen überwacht werden, um Ausfälle zu vermeiden und sicherzustellen, dass sie deinem Unternehmen einen geschäftlichen Mehrwert bieten. In diesem Kurs lernst du die grundlegenden Konzepte zum Aufbau eines robusten Überwachungssystems für deine Modelle in der Produktion kennen.Entdecke den perfekten Monitoring-Workflow
Der Kurs fängt damit an, wo man mit der Überwachung in der Produktion anfangen sollte und wie man die Prozesse drum herum aufbaut. Wir zeigen dir anhand von Beispielen aus der Praxis, wie du Probleme erkennst, die Ursachen findest und sie löst.Entdecke die Herausforderungen bei der Überwachung von Modellen in der Produktion
Ein Modell in der Produktion einzusetzen, ist nur der Anfang vom Modelllebenszyklus. Auch wenn es während der Entwicklung gut läuft, kann es wegen ständig wechselnder Produktionsdaten schiefgehen. In diesem Kurs schaust du dir an, wie schwierig es ist, die Leistung eines Modells zu überwachen, vor allem wenn es keine Referenzwerte gibt.Verstehe genau, was Kovariatenverschiebung und Konzeptdrift bedeuten
Der letzte Teil dieses Kurses dreht sich um zwei Arten von stillen Modellfehlern. Du wirst die verschiedenen Arten von Kovariatenverschiebungen und Konzeptdrift, ihren Einfluss auf die Modellleistung sowie deren Erkennung und Vermeidung im Detail verstehen.Voraussetzungen
MLOps ConceptsSupervised Learning with scikit-learn1
Was ist ML Monitoring
Im ersten Kapitel erfährst du, warum Unternehmen deine Machine-Learning-Modelle in der Produktion überwachen sollten. Du lernst den idealen Monitoring-Workflow und die einzelnen Schritte kennen sowie einige Herausforderungen, denen Überwachungssysteme in der Praxis begegnen können.
2
Theoretische Konzepte der Überwachung
In Kapitel 2 entdeckst du die grundlegende Bedeutung der Leistungsüberwachung in einem verlässlichen Monitoring-System. Wir betrachten typische Herausforderungen in realen Produktionsumgebungen, wie die Verfügbarkeit der Ground Truth. Am Ende des Kapitels weißt du, wie du mit Situationen umgehst, in denen Ground-Truth-Daten verzögert eintreffen oder fehlen, und zwar mithilfe von Verfahren zur Leistungsschätzung.
3
Erkennung von Covariate Shift und Concept Drift
Jetzt kennst du die Grundlagen von Covariate Shift und Concept Drift in der Produktion – lass uns noch etwas tiefer einsteigen. Am Ende dieses Kapitels kennst du verschiedene Möglichkeiten, sie in realen Szenarien zu erkennen und zu handhaben.
Überwachung von Machine-Learning-Konzepten
Kurs abgeschlossen
Leistungsnachweis verdienen
Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzuTeile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden
Schließe dich 19 Millionen Lernenden an und starte Überwachung von Machine-Learning-Konzepten heute!
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
DataCamp gibt es auch für Mobilgeräte
Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.