Machine Learning wird häufig immer noch als eine mathematische Herausforderung angesehen und an den Universitäten meist ebenso gelehrt. Es regt sich aber auch im akademischen Umfeld Widerstand und selbst Stars wie Andrew Ng bieten neuerdings Kurse mit Inhalten an, die uns Softwareentwickeln eher vertraut sind.
In diesem Talk werde ich beleuchten, wie viel man wirklich wissen muss, um als Softwareentwickler Machine Learning sinnvoll einzusetzen.

Zielpublikum: Jede Rolle im Bereich Softwareentwicklung
Voraussetzungen: Verständnis von Softwareentwicklung, kein Verständnis von ML notwendig
Schwierigkeitsgrad: Anfänger

Extended Abstract
Machine Learning Verfahren im allgemeinen und Neuronale Netzwerke im speziellen erfordern für ihr tiefes Verständnis Kenntnisse im Bereich der Linearen Algebra, der Analysis und der Statistik.
Aber: Als Softwareentwickler implementiert man Neuronale Netzwerke typischerweise nicht auf der grünen Wiese und kommt auch nicht in die Verlegenheit, komplexe Netzwerke selbst aufzubauen. Viel häufiger kommen Frameworks wie TensorFlow und sogar komplett aufgebaute und zum Teil schon trainierte Neuronale Netzwerke zum Einsatz.
Das verschiebt die Problematik des Machine Learnings in die Richtung des Engineerings:

• Wie baut man eine Trainings-Pipeline auf?
• Wie bekommt man das trainierte Modell in Produktion und sorgt dann dafür, dass das Modell weiterhin aktuell bleibt?