Kubeflow på AWS Treningskurs

Denne instruktørledede, live-opplæringen i Norge (på stedet eller ekstern) er rettet mot ingeniører som ønsker å distribuere og administrere IoT-enheter på AWS.

Ved slutten av denne opplæringen vil deltakerne kunne bygge en IoT-plattform som inkluderer distribusjon og administrasjon av en backend, gateway og enheter på toppen av AWS.

Denne instruktørledede, live-opplæringen i Norge (på stedet eller ekstern) er rettet mot utviklere som ønsker å bruke AWS Lambda til å bygge og distribuere tjenester og applikasjoner til skyen, uten å måtte bekymre deg for å klargjøre utførelsesmiljøet (servere, VM-er og containere, tilgjengelighet, skalerbarhet, lagring osv.).

Ved slutten av denne opplæringen vil deltakerne kunne:

• Konfigurer AWS Lambda for å utføre en funksjon.
• Forstå FaaS (Functions as a Service) og fordelene med serverløs utvikling.
• Bygg, last opp og utfør AWS Lambda funksjoner.
• Integrer Lambda-funksjoner med forskjellige hendelseskilder.
• Pakke, distribuere, overvåke og feilsøke Lambda-baserte applikasjoner.

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.

Sommerlig:

• Grunnleggende om IoT-arkitektur og funksjoner
• "Ting", "Sensorer", Internett og kartleggingen mellom forretningsfunksjoner til IoT
• Viktig for alle IoT-programvarekomponenter - maskinvare, fastvare, mellomvare, sky og mobilapp
• IoT-funksjoner- Fleet manager, datavisualisering, SaaS-basert FM og DV, varsling/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Grunnleggende om IoT-enhetskommunikasjon med sky med MQTT.
• Koble IoT-enheter til AWS med MQTT (AWS IoT Core).
• Koble AWS IoT kjerne med AWS Lambda funksjon for beregning og datalagring.
• Koble til Raspberry PI med AWS IoT kjerne og enkel datakommunikasjon.
• Varsler og hendelser
• Sensorkalibrering

Sammendrag:

• Grunnleggende om IoT-arkitektur og funksjoner
• "Ting", "Sensorer", Internett og kartleggingen mellom forretningsfunksjoner til IoT
• Viktig for alle IoT-programvarekomponenter - maskinvare, fastvare, mellomvare, sky og mobilapp
• IoT-funksjoner- Fleet manager, datavisualisering, SaaS-basert FM og DV, varsling/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Grunnleggende om IoT-enhetskommunikasjon med sky med MQTT.
• Koble IoT-enheter til AWS med MQTT (AWS IoT Core).
• Koble til AWS IoT kjerne med AWS Lambda funksjon for beregning og datalagring ved hjelp av DynamoDB.
• Koble Raspberry PI med AWS IoT kjerne og enkel datakommunikasjon.
• Hands on med Raspberry PI og AWS IoT Core for å bygge en smart enhet.
• Sensordatavisualisering og kommunikasjon med webgrensesnitt.

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.

Denne instruktørlede, live treningen (online eller på sted) er rettet mot ingeniører som ønsker å vurdere tilnærminger og verktøy som finnes i dag for å ta en informert beslutning om veien framover for å innføre MLOps i deres organisasjon.

Ved avslutning av denne treningen vil deltakerne være i stand til:

• Installere og konfigurere ulike MLOps rammeverk og verktøy.
• Samle riktig type team med riktige ferdigheter 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 en.
• Eksperimentere med ulike maskinlæringsrammeverk og servere for å deploye til produksjon.
• Operasjonalisere hele Maskinlæringsprosessen slik at den er reproducerbar og vedlikeholdbar.

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:

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.

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å installere, konfigurere og administrere AWS IoT Greengrass-funksjoner for å lage applikasjoner for ulike enheter.

Ved slutten av denne opplæringen vil deltakerne kunne bruke AWS IoT Greengrass til å bygge, distribuere, administrere, sikre og overvåke applikasjoner på intelligente enheter.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot fagfolk på middels nivå som ønsker å lære hvordan man effektivt bygger, distribuerer og vedlikeholder serverløse applikasjoner på AWS Cloud9 og AWS Lambda.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om serverløs arkitektur.
• Konfigurer AWS Cloud9 for serverløs applikasjonsutvikling.
• Utvikle, test og distribuer serverløse applikasjoner ved hjelp av AWS Lambda.
• Integrer AWS Lambda med andre AWS-tjenester som API Gateway og S3.
• Optimaliser serverløse applikasjoner for ytelse og kostnadseffektivitet.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot profesjonelle på avansert nivå som ønsker å utdype sin forståelse av DevOps praksis og strømlinjeforme utviklingsprosesser ved å bruke AWS Cloud9.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Konfigurer og konfigurer AWS Cloud9 for DevOps arbeidsflyter.
• Implementer kontinuerlig integrasjon og kontinuerlig levering (CI/CD) rørledninger.
• Automatiser testing, overvåking og distribusjonsprosesser ved hjelp av AWS Cloud9.
• Integrer AWS-tjenester som Lambda, EC2 og S3 i DevOps arbeidsflyter.
• Bruk kildekontrollsystemer som GitHub eller GitLab i AWS Cloud9.

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.

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.

Docker er et containeriseringstiltak brukt til å bygge gjentakelige, transportable og skalerbare miljøer for ML-systemer.

Dette instruktørledede, live-treningen (online eller på stedet) er rettet mot tekniske profesjonelle med mellom- til høy nivå som ønsker å containerisere og operasjonalisere fullstendige ML-pipliner ved hjelp av Docker.

Etter fullført trening vil deltakerne kunne:

• Containerisere ML-trening, validering og inferens arbeidsbyrder.
• Designe og orchestrate end-to-end ML-pipliner ved hjelp av Docker og tilhørende verktøy.
• Implementere versjonskontroll, gjentakelighet og CI/CD for ML-komponenter.
• Drikkje, overvåke og skala ML-tjenester i containeriserte miljøer.

Kursformat

• Interaktive forelesninger støttet av praktiske demonstrasjoner.
• Håndig øvelser fokusert på å bygge reelle ML-pipelinekomponenter.
• Live-lab implementering for end-to-end containeriserte arbeidsflyter.

Kursanpassningsmuligheter

• For anpasset trening justert til spesifikke ML-infrastrukturbehov, vennligst kontakt oss for å diskutere alternativer.