Eine ungeeignete Wahl der Datenstruktur ist für 60 % der Leistungsengpässe im maschinellen Lernen verantwortlich, weshalb die Entscheidung für die richtige Architektur von entscheidender Bedeutung ist. Dieser Kurs vermittelt Java-Entwicklern das nötige Wissen, um hochleistungsfähige Systeme zur Verarbeitung von ML-Daten zu entwickeln, die Datensätze im Unternehmensmaßstab verarbeiten können. Durch die praktische Umsetzung von Arrays, Hash-Maps, Bäumen, Heaps, Graphen und Tries erlernen Sie Techniken zur Leistungsoptimierung, die im Vergleich zu naiven Ansätzen messbare Verbesserungen um das 2- bis 10-Fache erzielen. Sie entwerfen skalierbare Lösungen unter Verwendung fortgeschrittener Strukturen wie Segmentbäume und spärliche Matrizen, die sich nahtlos in Java-ML-Frameworks wie Weka, Smile und DL4J integrieren lassen. Interaktive Leistungs-Benchmarking-Übungen simulieren reale Produktionsszenarien, darunter Herausforderungen bei der Speicheroptimierung, Muster für parallelen Zugriff und Skalierungsengpässe unter unternehmensweiten Einschränkungen.

Dieser Kurs ist ideal für Softwareentwickler, Datenwissenschaftler und KI-Ingenieure, die ihr Verständnis von Datenstrukturen vertiefen und die Leistung von ML-Workflows verbessern möchten. Er ist zudem wertvoll für Lernende, die sich auf fortgeschrittene Rollen in den Bereichen Softwarearchitektur, Algorithmusdesign oder ML-Systemoptimierung vorbereiten. Die Teilnehmer sollten über grundlegende Python-Programmierkenntnisse verfügen, einschließlich der Vertrautheit mit Bibliotheken wie Pandas und Scikit-learn, sowie über ein grundlegendes Verständnis von Konzepten des maschinellen Lernens wie Training, Validierung und gängigen Algorithmen. Nach Abschluss des Kurses werden Sie in der Lage sein, Datenverarbeitungspipelines zu entwerfen, die Reaktionszeiten im Sub-Millisekundenbereich gewährleisten, speichereffiziente Lösungen für Datensätze mit über einer Million Datensätzen zu implementieren und Überwachungssysteme zu erstellen, die eine konsistente Leistung im großen Maßstab sicherstellen. Dieser Kurs vermittelt das Fachwissen, um die strukturellen Ineffizienzen zu beseitigen, unter denen die meisten ML-Produktionssysteme leiden.