MLOps: CI/CD for Machine Learning Treningskurs

Dette kurset er designet for deltakere som er engasjert i utforming, implementering og drift av DevOps distribusjonspipelines og verktøykjeder som støtter kontinuerlig integrasjon (CI), kontinuerlig levering (CD), kontinuerlig testing og potensielt kontinuerlig deploy. Kurset fremhever de underliggende prosessene, målene, API-ene og kulturelle overveielser knyttet til kontinuerlig levering.

Lær hvordan du optimerer testing, tester raskere og fortsatt oppnår god kvalitet og et konsistent stabilt resultat.

Lær hva DevOps Engineering er, hvorfor DevOps Engineering er viktig, og hvordan DevOps blir utviklet for suksess.

Kurset starter med en kort gjennomgang av DevOpss grunnleggende prinsipper og går over til å implementere DevOps. Det er designet fra et ingeniørperspektiv og dekker emner som DevOps i forhold til andre rammeverk, teknologier,applikasjonsdesignpraksis, kontinuerlig integrasjon, kontinuerlig levering og distribuering, kontinuerlig testing, elastiske infrastrukturer, overvåking, metrikker, observabilitet, styring, menneskelige aspekter, og fremtidige trender innen DevOps Engineering.

Grunnkurset DevOps gir en grunnleggende forståelse av nøkkelterminologien DevOps for å sikre at alle snakker samme språk og fremhever fordelene med DevOps for å støtte organisasjonsmessig suksess.

Kurset fokuserer på menneskets dynamikk i kulturell endring og rustner deltakerne med praksis, metoder og verktøy for å engasjere mennesker over hele DevOps-spektrumet gjennom bruk av sanntids scenarier og casestudier. Etter fullført kurs vil deltakerne ha tangibelt resultat som de kan benytte seg av når de er tilbake i kontoret, som forståelse av Value Stream Mapping.

En introduksjon til prinsipper, praksiser og verktøy for verdistrømstyring. Designet for å optimalisere verdiflyt og realisering i digitale verdistrømmer og utvikle individers ferdigheter. Digitale verdistrømmer inkluderer programvareapplikasjonene og tjenestene i tillegg til plattformene som støtter dem, f.eks. skyinfrastruktur eller DevOps verktøykjeder

Kursemner som dekkes inkluderer hvordan DevSecOps gir forretningsverdi, forbedrer forretningsmulighetene dine og forbedrer bedriftens verdi. Kjerneprinsippene for DevSecOps kan støtte en organisatorisk transformasjon, øke produktiviteten, redusere risiko og optimalisere ressursbruken.

DevSecOps Practitioner introduserer en rekke praksiser for å komme videre til en mer omfattende forståelse av DevSecOps-praksis. Utforsk praktiske resultater gjennom å finne den rette blandingen av mennesker, bygge prosesser for å akselerere verdi og sammenligne teknologiske alternativer som er tilgjengelige i dag. Skreddersydd for nylig transformerte organisasjoner som ønsker å forbedre DevSecOps ferdigheter og bevissthet.

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.

SRE (Site Reliability Engineering) Foundation-kurs er en innføring i prinsippene og praksisene som gjør det mulig for et organisasjon å pålitelig og økonomisk skale opp kritiske tjenester. Å introdusere en side-reliabilitet dimensjon krever organisatorisk justering, ny fokus på teknikken og automatisering, og innføring av en rekke nye arbeidsparadigmer.