Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

MLMMI - Machine Learning Model Management and InferenceModulbeschreibung #41289 / Version 2

← Zur Modulseite English version
Modul / Version#41289 / #2
GültigkeitSeit SoSe 2026
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rSchelter, Sebastian
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34353500 FG Management von Data Science-Prozessen (BIFOLD)

Kontakt

SekretariatKeine Angabe
Ansprechpartner*inKeine Angabe
E-Mail-AdresseKeine Angabe
WebseiteKeine Angabe

Lernergebnisse

- Datenmanagement-Herausforderungen in Modellverwaltung und Inferenz identifizieren
- Eine Modellverwaltungsstrategie entwerfen, die Registries zur Nachverfolgung von Modellversionen, Lineage und Metadaten für Reproduzierbarkeit nutzt
- Modellkompressionstechniken anwenden, einschließlich Quantisierung und Pruning
- Ein optimiertes Modell-Serving-Framework entwerfen
- Modellleistungsprobleme im Produktionseinsatz überwachen

Lehrinhalte

Dieser fortgeschrittene Kurs behandelt die System- und Datenmanagement-Herausforderungen bei der Verwaltung und Bereitstellung von Machine-Learning-(ML)-Modellen in Produktionsumgebungen. Zu Beginn werden Standard-ML-Pipelines bis zur Trainingsphase rekapituliert. Der Lebenszyklus eines ML-Modells reicht jedoch weit über das Training hinaus. Studierende werden in grundlegende Frameworks für das Modellmanagement eingeführt, in denen trainierte Modelle als zentrale Datenartefakte behandelt werden. Der Kurs umfasst Datenmanagement-Techniken und Optimierungen, darunter Modellversionierung, Lineage-Tracking und Metadatenverwaltung. Darauf aufbauend werden Architekturen moderner Modell-Serving-Systeme sowie Performance-Optimierungen wie dynamisches Batching, Modellkompilierung und ressourceneffiziente Inferenzausführung behandelt.

Darüber hinaus werden die Studierenden mit aktueller Forschung zu Inferenz und Modellmanagement vertraut gemacht. Anhand einer Kombination aus grundlegenden Forschungsarbeiten und praxisnahen Projekten erwerben sie ein umfassendes Verständnis des gesamten Modelllebenszyklus jenseits des Trainings und werden so sowohl auf wissenschaftliche Forschung als auch auf die Systemgestaltung in realen Anwendungsszenarien vorbereitet.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
MLMMI - Machine Learning Model Management and InferenceVorlesung Sommersemester[en]2 ISIS
MLMMI - Machine Learning Model Management and InferenceÜbung Sommersemester[en]2 ISIS

Arbeitsaufwand und Leistungspunkte

MLMMI - Machine Learning Model Management and Inference (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit153 h45 h
Vor-/Nachbereitung154 h60 h
105 h

MLMMI - Machine Learning Model Management and Inference (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit151 h15 h
Vor-/Nachbereitung152 h30 h
45 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Projektarbeit73 h21 h
21 h

Der Aufwand des Moduls summiert sich zu 171 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

- Vorlesung
- Selbstständige Arbeit, z. B. an einem Projekt oder einem report
- Präsentation
- Selbststudium
- Rechnerlabor / Praktische Übungen

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

- Abgeschlossenes Bachelorstudium
- Erfolgreich absolvierte Grundlagenveranstaltungen in Angewandtem Machine Learning, Datenmanagement und Verteilten Systemen

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnispruefung) Programmieraufgabe 110schriftlich1-2 weeks
(Ergebnispruefung) Programmieraufgabe 210praktisch1-2 weeks
(Ergebnispruefung) Programmieraufgabe 310praktisch1-2 weeks
(Ergebnispruefung) Vorbereitung von Fragen fuer Diskussionen10praktisch5-10 questions
(Ergebnispruefung) Gruppenpraesentation20mündlich15-25min (per group)
(Ergebnispruefung) Projektreport (inklusive Code)40schriftlich4-6 pages

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 24.

Anmeldeformalitäten

Die Teilnahme an der Vorlesung ist beschränkt. Bitte informieren Sie sich vor Beginn der Vorlesungszeit unter https://deem.berlin/#teaching
über die Registrierungsmöglichkeiten.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Computer Science (Informatik)
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Data and Software Engineering / Data and Software Engineering
Elektrotechnik
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2026Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering
Computer Science (Informatik) (M. Sc.)
Studiengebiete: Data and Software Engineering

Computer Engineering (M. Sc.)
Studiengebiete: Data and Software Engineering

Electrical Engineering (M. Sc.)
Studiengebiete: Data and Software Engineering

Information Systems Management (Wirtschaftsinformatik) (M. Sc.)

Sonstiges

Keine Angabe