Die Welt des Machine Learnings ist faszinierend und vielfältig – doch als Softwareentwickler ohne tieferen ML-Hintergrund kann dir der Einstieg oft kompliziert erscheinen. Um dir diesen Einstieg zu erleichtern, haben wir bei der MLCon in Berlin einen zweitägigen Workshop angeboten. Dabei lag der Fokus darauf, dir nicht nur die Theorie näherzubringen, sondern dir auch das praktische Wissen zu vermitteln, mit dem du Projekte eigenständig von der Idee bis zur Deployment-Phase umsetzen kannst. 

Der Workshop im Überblick 

Unsere Agenda war darauf ausgelegt, Theorie und Praxis ideal zu verbinden: 

1. Einführung in Machine Learning 
   Du hast gelernt, wie Modelle funktionieren, warum die IID-Annahmen (unabhängig und identisch verteilte Daten) so wichtig sind und welche Herausforderungen beim Training entstehen. 
2. Training, Test und Validierung 
   Hier hast du erfahren, warum die Trennung von Datensätzen essenziell ist, und die Best Practices zur Evaluation von Modellen kennengelernt. 
3. Klassische Verfahren 
   Anhand von Beispielen wie Decision Trees und k-Nearest Neighbors (KNN) konntest du dir ein solides Fundament in den klassischen Algorithmen des Machine Learnings aufbauen. 
4. Neuronale Netzwerke & Transfer Learning 
   Nach einer Einführung in neuronale Netzwerke ging es gleich in die Tiefe: Transfer Learning war der Kern des praktischen Teils. Du hast gelernt, wie du vortrainierte Modelle nutzen kannst, um spezifische Aufgaben auch mit wenig Daten zu lösen. 
5. MLOps 
   Abschließend ging es um Data & Concept Drift, Deployment und Versionierung – entscheidende Themen, damit du Machine Learning erfolgreich in die Produktion bringen kannst. 

Das Highlight: Dein eigenes Mini-Projekt 

Ein besonderes Highlight war das Mini-Projekt, bei dem du ein komplettes Machine-Learning-Projekt umgesetzt hast – von der Datensammlung bis zum Deployment. 

Die Aufgabe: 

Kannst du Äpfel von Bananen unterscheiden? 
Dafür hast du diese Schritte durchlaufen: 

• Datensammlung: Mit deiner Handykamera hast du ein kleines Datenset mit nur 20 Bildern pro Klasse erstellt. 
• Modell-Training: Mithilfe eines vortrainierten VGG19-Modells und Transfer Learning hast du dein eigenes Netzwerk trainiert. 
• Validierung: Gemeinsam haben wir das Modell optimiert, und du konntest trotz der kleinen Datenmenge überraschend hohe Klassifizierungsgenauigkeiten erzielen. 
• Deployment: Am Ende hast du das Modell mit einer REST API deployt, sodass es in einer echten Anwendung nutzbar war. 

Warum dieses Projekt so wertvoll war 

Das Mini-Projekt war mehr als nur ein „Proof of Concept“ – es war eine Blaupause für deine eigenen Machine-Learning-Projekte. Du hast gelernt: 

• Wie du mit wenig Daten aussagekräftige Modelle entwickeln kannst. 
• Warum der iterative Prozess von Training, Validierung und Optimierung so wichtig ist. 
• Wie du Modelle schnell und effektiv deployen kannst. 

Am Ende hattest du ein funktionierendes, praxistaugliches Projekt in der Hand – ein entscheidender Schritt, um selbstbewusst eigene ML-Projekte anzugehen. 

Fazit 

Die Begeisterung und Motivation, die du und die anderen Teilnehmer mitgebracht habt, haben uns gezeigt, wie wertvoll es ist, Theorie und Praxis so eng zu verknüpfen. Besonders beeindruckend war, wie schnell ihr euch mit Tools wie scikit-learn und PyTorch zurechtgefunden habt und eigene Lösungen entwickelt habt. 

Wenn du oder dein Team an einem praxisorientierten Machine-Learning-Workshop interessiert seid, schau dir unsere Angebote unter www.adnexo.ch an – oder kontaktiere uns direkt! Gemeinsam bringen wir deine Machine-Learning-Projekte auf das nächste Level.