Docker for MLOps: Containerisering av end-to-end-pipelines Treningskurs

Denne instruktørgjeldende, live-utdanningen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å videreutdanne seg i Docker for å deploye applikasjoner i større skala samtidig som de beholder kontrollen.

Ved avslutningen av denne utdanningen vil deltakerne kunne:

• Bygge sine egne Docker-bilder.
• Deploye og administrere et stort antall Docker-applikasjoner.
• Vurdere ulike containerorkestrasjonsløsninger og velge den mest egnede.
• Sette opp en kontinuerlig integrasjonsprosess for Docker-applikasjoner.
• Integrere Docker-applikasjoner med eksisterende kontinuerlige verktøy og integrasjonsprosesser.
• Sikre sine Docker-applikasjoner.

Dette instruktørdrevne, live-løpet i Norge (online eller på stedet) er rettet mot AI-ingeniører og datavitenskapsfolk på avansert nivå med mellom- til avansert erfaring som ønsker å forbedre ytelsen til DeepSeek-modeller, minimere forsinkelser og effektivt utplassere AI-løsninger ved hjelp av moderne MLOps-praksis.

Etter dette opplæringsprogrammet vil deltakerne kunne:

• Optimalisere DeepSeek-modeller for effektivitet, nøyaktighet og skalerbarhet.
• Implementere beste praksis for MLOps og modellversjonshåndtering.
• Utplassere DeepSeek-modeller i sky- og lokalt infrastruktur.
• Overvåke, vedlikeholde og skalere AI-løsninger effektivt.

Lær hvordan du bygger, distribuerer og administrerer containeriserte miljøer ved hjelp av Docker, Kubernetes og OpenShift. Denne femdagers kurs med praktiske øvelser dekker containerbilder, Kubernetes-arbeidsbyrder, klusterettverk, lagring, sikkerhet, overvåking og praktisk OpenShift-administrasjon. Deltakerne tilegner seg ferdighetene som trengs for å drive moderne containerplattformer og feilsøke applikasjoner på tvers av utviklings- og produksjonsmiljøer.

I denne instruktørledede, live-treningen i Norge (på sted eller fjern) vil deltakerne lære hvordan de kan opprette og administrere Docker-containere, deretter deploye et eksempel på en applikasjon inne i en container. Deltakerne vil også lære hvordan de kan automatisere, skale og administrere deres containeriserte applikasjoner innenfor en Kubernetes-kluster. Til slutt går treningen over til mer avanserte emner, veiledende deltakerne gjennom prosessen med å sikre, skale og overvåke en Kubernetes-kluster.

Ved slutten av denne treningen vil deltakerne kunne:

• Sette opp og kjøre en Docker-container.
• Deploye en containerisert server og webapplikasjon.
• Bygge og administrere Docker-bilder.
• Sette opp en Docker- og Kubernetes-kluster.
• Bruke Kubernetes til å deploye og administrere en klusteret webapplikasjon.
• Sikre, skale og overvåke en Kubernetes-kluster.

Kursmål: Oppnå teoretiske og operasjonelle kompetanser i Docker og Kubernetes.

Dette instruktørdrevne, live-utdanningstilbudet i Norge (online eller på stasjon) retter seg til utviklere og dataforskere som ønsker å bygge, distribuere og administrere maskinlæringsarbeidsflyter på Kubernetes.

Etter å ha gjennomført denne utdanningen skal deltakerne kunne:

• Installere og konfigurere Kubeflow lokalt (on-premise) og i skyen.
• Bygge, distribuere og administrere ML-arbeidsflyter basert på Docker-containere og Kubernetes.
• Kjøre hele maskinlæringsrørledninger på ulike arkitekturer og skymiljøer.
• Bruke Kubeflow til å opprette og administrere Jupyter-notebooks.
• Bygge ML-trening, hyperparameter-optimering og serving-arbeidsbelastninger over flere plattformer.

Dette undervisningsbaserte, live-treningen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å vurdere de tilgjengelige tiltakene og verktøy for å ta et intelligent beslutning om veien frem i adopsjonen av MLOps innenfor organisasjonen deres.

Ved slutten av denne treningen vil deltakerne kunne:

• Instalere og konfigurere ulike MLOps-rammeverk og verktøy.
• Samle sammen det riktige teamet med de riktige ferdighetene for å bygge og støtte et MLOps-system.
• Forberede, validere og versjonere data for bruk av ML-modeller.
• Forstå komponentene i en ML-pipeline og de verktøyene som trengs for å bygge én.
• Eksperimentere med ulike maskinlæringsrammeverk og -servere for driftsetting til produksjon.
• Operationalisere hele prosessen for Maskinlæring slik at den er reproducerbar og vedlikeholdbar.