Dieser Kurs hilft Ihnen dabei, komplexe ML-Systeme in übersichtliche, wiederverwendbare Teile zu zerlegen und diese mithilfe praktischer Abstraktionen zu vermitteln. Sie lernen, wie Sie die Komponenten für Datenerfassung, Feature-Bereitstellung, Inferenz-APIs und Überwachung voneinander trennen und gleichzeitig Flussdiagramme und Pseudocode erstellen, die als Leitfaden für die Implementierung dienen. Anhand von Beispielen wie Echtzeit-Betrugserkennung und Feature-Store-Workflows üben Sie, Systeme zu zerlegen und Abstraktionen zu entwerfen, auf die sich Entwickler verlassen können. Durch kurze Videos, Lesematerial, praktische Übungen, eine von einem Coach angeleitete Reflexion und ein 45-minütiges, nicht benotetes Labor erwerben Sie Fähigkeiten, die in ML-Engineering- und MLOps-Rollen zum Einsatz kommen. Am Ende sind Sie in der Lage, ML-Systeme sicher zu analysieren und Artefakte zu erstellen, die Skalierbarkeit, Übersichtlichkeit und Produktionsreife gewährleisten.