Kubeflow på Azure 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.

Dette kurset gir deltakerne mulighet til å forbedre deres ferdigheter i design av Microsoft Azure-løsninger.

Etter dette kurset vil deltakeren forstå funksjonene og kapasiteten til Azure-tjenester, kunne identifisere kompromisser og ta beslutninger for design av offentlige og hybrid skyløsninger.

Under kurset vil de riktige infrastruktur- og plattformløsningene for å møte de funksjonelle, operasjonelle og distribusjonskravene gjennom løsningslivsyklussen bli definert.

Azure Bot Service kombinerer styrken til Microsoft Bot Framework og Azure-funksjoner for å muliggjøre rask utvikling av intelligente boter.

I denne instruktørledede, live-trainingen vil deltakere lære å enkelt opprette en intelligent bot ved hjelp av Microsoft Azure.

Ved slutten av denne treningen vil deltakere kunne:

• Lære grunnleggende om intelligente boter
• Lære å opprette intelligente boter ved hjelp av skyapplikasjoner
• Forstå hvordan man bruker Microsoft Bot Framework, Bot Builder SDK og Azure Bot Service
• Forstå hvordan man designer boter ved hjelp av botmønstre
• Utvikle sin første intelligente bot ved hjelp av Microsoft Azure

Målgruppe

• Utviklere
• Hobbyister
• Ingeniører
• IT-profesjonelle

Kursformat

• Delvis forelesning, delvis diskusjon, øvelser og mye hånds-on praksis

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.

I denne instructorledede, live-treningen i Norge (på stedet eller fjern) vil deltakerne lære de grunnleggende konseptene, komponentene og tjenestene i Microsoft Azure mens de går gjennom opprettelsen av et eksempel på en skyapplikasjon.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå grunnleggende prinsipper i Microsoft Azure
• Forstå de ulike Azure-verktøyene og tjenestene
• Lære hvordan man bruker Azure for å bygge skyapplikasjoner

Internet of Things (IoT) er en nettverksinfrastruktur som kobler sammen fysiske objekter og programvareapplikasjoner trådløst, slik at de kan kommunisere med hverandre og utveksle data via nettverkskommunikasjon, cloud computing og datafangst. Azure er et omfattende sett med skytjenester som tilbyr en IoT Suite bestående av forhåndskonfigurerte løsninger som hjelper utviklere med å akselerere utviklingen av IoT-prosjekter.

I denne instruktørledede, live-opplæringen vil deltakerne lære å utvikle IoT-applikasjoner ved å bruke Azure.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende om IoT-arkitektur
• Installer og konfigurer Azure IoT Suite
• Lær fordelene ved å bruke Azure i programmering av IoT-systemer
• Implementer forskjellige Azure IoT-tjenester (IoT Hub, Functions, Stream Analytics, Power BI, Cosmos DB, DocumentDB, IoT Device Management)
• Bygg, test, distribuer og feilsøk et IoT-system ved hjelp av Azure

Publikum

• Utviklere
• Ingeniører

Format på kurset

• Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Note

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

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.

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.