MLMMI - Machine Learning Model Management and InferenceModulbeschreibung #41289 / Version 2
- 6 LP
- Portfolioprüfung
- Benotet
- Sommersemester
- Englisch
| Modul / Version | #41289 / #2 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Schelter, Sebastian |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34353500 FG Management von Data Science-Prozessen (BIFOLD) |
Kontakt
| Sekretariat | Keine Angabe |
|---|---|
| Ansprechpartner*in | Keine Angabe |
| E-Mail-Adresse | Keine Angabe |
| Webseite | Keine 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
- 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.
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:
Arbeitsaufwand und Leistungspunkte
MLMMI - Machine Learning Model Management and Inference (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 3 h | 45 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 105 h | |||
MLMMI - Machine Learning Model Management and Inference (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 1 h | 15 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 45 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Projektarbeit | 7 | 3 h | 21 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
- 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
- Erfolgreich absolvierte Grundlagenveranstaltungen in Angewandtem Machine Learning, Datenmanagement und Verteilten Systemen
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnispruefung) Programmieraufgabe 1 | 10 | schriftlich | 1-2 weeks |
| (Ergebnispruefung) Programmieraufgabe 2 | 10 | praktisch | 1-2 weeks |
| (Ergebnispruefung) Programmieraufgabe 3 | 10 | praktisch | 1-2 weeks |
| (Ergebnispruefung) Vorbereitung von Fragen fuer Diskussionen | 10 | praktisch | 5-10 questions |
| (Ergebnispruefung) Gruppenpraesentation | 20 | mündlich | 15-25min (per group) |
| (Ergebnispruefung) Projektreport (inklusive Code) | 40 | schriftlich | 4-6 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.
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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Data and Software Engineering / Data and Software Engineering | |
| Elektrotechnik StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / 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.)
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