Docker for MLOps: End-to-End Pipeline Containerization Treningskurs

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot avanserte AI-ingeniører og dataforskere med middels til avansert erfaring som ønsker å forbedre DeepSeek modellytelse, minimere latens og distribuere AI løsninger effektivt ved bruk av moderne MLOps praksis.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Optimaliser DeepSeek-modeller for effektivitet, nøyaktighet og skalerbarhet.
• Implementer beste praksis for MLOps og modellversjon.
• Distribuer DeepSeek-modeller på skyen og lokal infrastruktur.
• Overvåk, vedlikehold og skaler AI-løsninger effektivt.

Docker er en plattform for utviklere og systemadministratorer for å vedlikeholde distribuerte applikasjoner. Den består av en kjøretid for å kjøre containere og en tjeneste for deling av containere.

Med docker kan den samme appen kjøre uendret på bærbare datamaskiner, dedikerte servere og virtuelle servere.

Dette kurset lærer grunnleggende bruk av Docker, nyttig både for utviklere og systemadministratorer. Kurset inkluderer mange praktiske øvelser og deltakerne vil øve i sitt eget Docker miljø og bygge sine egne Docker bilder i løpet av de 2 dagene.

Målet med dette praktiske kurset er å gi alle verktøyene som dekker de praktiske aspektene ved Docker og Kubernetes, slik at deltakerne kan ha de nødvendige ferdighetene for riktig administrasjon av programmet.

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

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å bygge, distribuere og administrere arbeidsflyter for maskinlæring på Kubernetes.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubeflow på stedet og i skyen ved å bruke AWS EKS (Elastic Kubernetes Service).
• Bygg, distribuer og administrer ML-arbeidsflyter basert på Docker containere og Kubernetes.
• Kjør hele maskinlæringspipelines på forskjellige arkitekturer og skymiljøer.
• Bruke Kubeflow til å skape og administrere Jupyter-notatbøker.
• Bygg ML-trening, justering av hyperparameter og betjening av arbeidsbelastninger på tvers av flere plattformer.

Dette instruktørførte, live-kurset i Norge (online eller plassert) er rettet mot ingeniører som ønsker å deploye maskinlæringslast til en AWS EC2 server.

Ved slutten av dette kurset vil deltakerne kunne:

• Installer og konfigurere Kubernetes, Kubeflow og andre nødvendige programvare på AWS.
• Bruk EKS (Elastic Kubernetes Service) for å forenkle initialiseringen av en Kubernetes-klynge på AWS.
• Opprette og deploye en Kubernetes-pipeline for automatisering og administrasjon av ML-modeller i produksjon.
• Trene og deploye TensorFlow-ML-modeller over flere GPUs og maskiner som kjører parallelt.
• Utnytte andre AWS-håndterte tjenester for å utvide en ML-applikasjon.

Dette instruktørførte, live-treningen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere maskinlæringoppgaver til Azure-clouden.

Etter denne treningen vil deltakerne kunne:

Kubeflow er et open-source-plattform designet for å forenkle bygging, trening og distribusjon av maskinlæringsoppgaver på Kubernetes.

Dette instruktørbaserte, live-treningen (online eller på sted) er rettet mot beginner- til mellomnivå profesjonelle som ønsker å bygge pålitelige ML-arbeidsflyter ved hjelp av Kubeflow.

Etter fullføring av denne treningen, vil deltakerne ha oppnådd ferdighetene til å:

• Navigere i Kubeflow-økosystemet og kjernekomponenter.
• Bygge gjentakelige arbeidsflyter med Kubeflow Pipelines.
• Kjøre skalerbare treningstasker på Kubernetes.
• Serve maskinlæringsmodeller effektivt ved hjelp av Kubeflow Serving.

Kursformat

• Veiledede presentasjoner og kolaborative diskusjoner.
• Hands-on lab med reelle Kubeflow-komponenter.
• Praktiske øvelser for å bygge end-to-end ML-arbeidsflyter.

Kursanpassningsalternativer

• Tilpassede versjoner av denne treningen kan arrangeres for å tilpasses teamets teknologistakk og prosjektbehov.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å bygge, distribuere og administrere arbeidsflyter for maskinlæring på Kubernetes.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubeflow på stedet og i skyen.
• Bygg, distribuer og administrer ML-arbeidsflyter basert på Docker containere og Kubernetes.
• Kjør hele maskinlæringspipelines på forskjellige arkitekturer og skymiljøer.
• Bruke Kubeflow til å skape og administrere Jupyter-notatbøker.
• Bygg ML-trening, justering av hyperparametere og betjening av arbeidsbelastninger på tvers av flere plattformer.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere som ønsker å gå lenger enn å bygge ML-modeller og optimalisere ML-modelloppretting, sporing og distribusjonsprosessen.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer MLflow og relaterte ML-biblioteker og rammeverk.
• Sett pris på viktigheten av sporbarhet, reproduserbarhet og distribusjon av en ML-modell
• Distribuer ML-modeller til forskjellige offentlige skyer, plattformer eller lokale servere.
• Skaler ML-implementeringsprosessen for å imøtekomme flere brukere som samarbeider om et prosjekt.
• Sett opp et sentralt register for å eksperimentere med, reprodusere og distribuere ML-modeller.

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.

Denne instruktørledede, live-opplæringskurset (online eller på sted) er rettet mot maskinlæringsingeniører som ønsker å bruke Azure Machine Learning og Azure DevOps til å fremme MLOps-praksis.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bygge gjentakbare arbeidsflyter og maskinlæringsmodeller.
• Håndtere maskinlæringsløyfen.
• Spore og rapportere modellversjonshistorikk, aktiva, og mer.
• Distribuere produksjonsklare maskinlæringsmodeller hvor som helst.

MLOps på Kubernetes er et rammeverk for automatisering av trening, validering, pakking og distribusjon av maskinlæringsmodeller ved hjelp av containeriserte pipelines og GitOps-arbeidsflyter.

Dette instruktørbaserte, live-treningen (online eller på lokasjon) er rettet mot mellomnivå-brukere som ønsker å bygge automatiserte, skalbare MLOps-pipelines på Kubernetes.

Etter fullført trening vil deltakerne være utrustet til å:

• Designe end-to-end CI/CD-pipelines for maskinlæring.
• Implementere GitOps-arbeidsflyter for modelldeploy og versjonskontroll.
• Automatisere trening, testing og pakking av ML-modeller.
• Integrasjon av overvåkning, varsling og rollback-strategier.

Kursformat

• Instruktørbaserte presentasjoner og tekniske dykk ned i detaljer.
• Håndson øvelser som bygger reelle CI/CD-arbeidsflyter.
• Live-lab praksis for å deploye ML-lastninger til Kubernetes.

Kursanpassningsalternativer

• Organisasjoner kan be om tilpasset innhold som er i overensstemmelse med deres interne MLOps-verktøy og infrastruktur.