1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

MLMMI - Machine Learning Model Management and Inference

Zur Modulseite PDF generieren

#41289 / #2

Seit SoSe 2026

Deutsch, Englisch

MLMMI - Machine Learning Model Management and Inference

6

Schelter, Sebastian

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34353500 FG Management von Data Science-Prozessen (BIFOLD)

Keine Angabe

Kontakt


Keine Angabe

Keine Angabe

Keine Angabe

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

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:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
MLMMI - Machine Learning Model Management and InferenceVLSoSeen2
MLMMI - Machine Learning Model Management and InferenceUESoSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

MLMMI - Machine Learning Model Management and Inference (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.03.0h45.0h
Vor-/Nachbereitung15.04.0h60.0h
105.0h(~4 LP)

MLMMI - Machine Learning Model Management and Inference (UE):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.01.0h15.0h
Vor-/Nachbereitung15.02.0h30.0h
45.0h(~2 LP)

Lehrveranstaltungsunabhängiger Aufwand:

AufwandbeschreibungMultiplikatorStundenGesamt
Projektarbeit7.03.0h21.0h
21.0h(~1 LP)
Der Aufwand des Moduls summiert sich zu 171.0 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

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

NamePunkteKategorieDauer/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

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl1.01.31.72.02.32.73.03.33.74.0
100.0pt95.0pt90.0pt85.0pt80.0pt75.0pt70.0pt65.0pt60.0pt55.0pt50.0pt

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

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computer Engineering (M. Sc.)11SoSe 2026SoSe 2026
Computer Science (Informatik) (M. Sc.)12SoSe 2026SoSe 2026
Elektrotechnik (M. Sc.)11SoSe 2026SoSe 2026
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)11SoSe 2026SoSe 2026
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