Dieser Fortgeschrittenenkurs führt die Teilnehmer durch das Testen und Debuggen von Java-basierten ML-Pipelines unter Verwendung professioneller Tools und CI/CD-Workflows. Sie schreiben robuste Unit- und Integrationstests für zentrale ML-Komponenten wie EntropyCalculator und Normalizer, wenden Mockito an, um Datei-I/O zu simulieren, und erhöhen die Testabdeckung von 62 % auf 85 %. Die Teilnehmer werden sporadische Pipeline-Ausfälle zurückverfolgen, Probleme mit Zufalls-Seeds diagnostizieren und Reproduzierbarkeit (new Random(42)) implementieren, um die Stabilität über mehrere Durchläufe hinweg sicherzustellen. Der Kurs schließt mit CI-basierter Automatisierung unter Verwendung von JUnit, Tribuo und GitHub Actions ab und bereitet die Teilnehmer auf reale ML-Test- und DevOps-Umgebungen vor.

Dieser Kurs richtet sich an erfahrene Java-Entwickler und ML-Ingenieure, die das Testen, Debuggen und die CI/CD-Automatisierung in ML-Pipelines verbessern möchten. Der Schwerpunkt liegt darauf, Pipelines mithilfe von Tools wie JUnit, Mockito und GitHub Actions zuverlässig, effizient und produktionsreif zu gestalten. Ideal für Personen in MLOps-, QA- oder DevOps-Rollen. Die Teilnehmer sollten über fundierte Kenntnisse in Java und JUnit verfügen und ML-Workflows sowie CI/CD verstehen. Am Ende dieses Kurses verfügen Sie über die praktischen Fähigkeiten, um ML-Pipelines auf Unternehmensniveau in Java sicher zu entwerfen, zu testen und zu stabilisieren. Sie lernen, wie Sie reproduzierbare Workflows erstellen, Tests in CI/CD-Systeme integrieren und moderne Debugging-Strategien anwenden, um Unbeständigkeit zu beseitigen und Konsistenz in Produktionsumgebungen sicherzustellen – und bereiten sich so auf fortgeschrittene Rollen im ML-Testing, DevOps und MLOps-Engineering vor.