Verteiltes Training eines CTR-Modells für eine Münchner AdTech-Plattform
Übersicht
Worum es bei diesem Projekt geht.
Trainiere ein CTR-Modell mit PyTorch DDP auf 4 GPUs, tune Batch-Größe und Lern-Rate für eine Münchner AdTech-Plattform und erhalte ein verifizierbares Zertifikat.
Das Briefing
Was Du tust und was Du zeigst.
Skaliere ein CTR-Trainings-Skript von einer GPU auf vier mit dokumentiertem Throughput-vs-Konvergenz-Trade-off und Konvergenz-Parität zur Baseline.
Earning criteria — what you'll demonstrate
- Verteiltes Training mit PyTorch DDP korrekt aufsetzen
- Effektive Batch-Größe, Lern-Rate und Warm-up-Strategien zusammen tunen
- Skalierungs-Effizienz quantitativ messen und reportieren
- Cluster-Größen-Empfehlung mit Kosten und Iterations-Geschwindigkeit verbinden
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Machine Learning at Scale
Master · Ai Ml
Fit score: 1
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMaschinelles-Lernen-Ingenieur:in
Ein Trainings-Skript auf mehrere GPUs zu skalieren und Konvergenz-Parität zu beweisen, ist die Vorzeige-Arbeit für MLE bei Plattformen mit großen Modellen.
Dieses Projekt schärft
- distributed-training
- pytorch
- performance-tuning
MLOps-Ingenieur:in
Cluster-Auslastung und Kosten in eine Empfehlung zu übersetzen ist die MLOps-Brücke zwischen Forschung und Plattform-Budget.
Dieses Projekt schärft
- gpu-optimization
- performance-tuning
- experiment-design
Maschinelles-Lernen-Forscher:in
Mehrere Seeds und Konfidenz-Reporting sind Forschungs-Disziplin, die für jede ehrliche Modell-Skalierungs-Studie nötig ist.
Dieses Projekt schärft
- evaluation
- experiment-design
- pytorch
Noch eine Sache