MLOps: CI/CD for Machine Learning Treningskurs

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, live-opplæringen 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-beholdere 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, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere Machine Learning arbeidsbelastninger til en AWS EC2-server.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubernetes, Kubeflow og annen nødvendig programvare på AWS.
• Bruk EKS (Elastic Kubernetes Service) for å forenkle arbeidet med å initialisere en Kubernetes-klynge på AWS.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Utnytt andre AWS-administrerte tjenester for å utvide en ML-applikasjon.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere Machine Learning arbeidsbelastninger til Azure-skyen.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubernetes, Kubeflow og annen nødvendig programvare på Azure.
• Bruk Azure Kubernetes Service (AKS) for å forenkle arbeidet med å initialisere en Kubernetes-klynge på Azure.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Utnytt andre AWS-administrerte tjenester for å utvide en ML-applikasjon.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere Machine Learning arbeidsbelastninger til Google Cloud Platform (GCP).

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubernetes, Kubeflow og annen nødvendig programvare på GCP og GKE.
• Bruk GKE (Kubernetes Kubernetes Engine) for å forenkle arbeidet med å initialisere en Kubernetes-klynge på GCP.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Utnytt andre GCP-tjenester for å utvide en ML-applikasjon.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere Machine Learning arbeidsbelastninger til IBM Cloud Kubernetes Service (IKS).

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubernetes, Kubeflow og annen nødvendig programvare på IBM Cloud Kubernetes Service (IKS).
• Bruk IKS for å forenkle arbeidet med å initialisere en Kubernetes-klynge på IBM Cloud.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Utnytt andre IBM Cloud-tjenester for å utvide en ML-applikasjon.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere maskinlæringsarbeidsmengder til en OpenShift lokal eller hybrid sky.

• Ved slutten av denne opplæringen vil deltakerne kunne:
• Installer og konfigurer Kubernetes og Kubeflow på en OpenShift-klynge.
• Bruk OpenShift for å forenkle arbeidet med å initialisere en Kubernetes-klynge.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Ring offentlige skytjenester (f.eks. AWS-tjenester) fra OpenShift for å utvide en ML-applikasjon

Denne instruktørledede, live-opplæringen 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-beholdere 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.

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.

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.

Kurset fremhever den menneskelige dynamikken til kulturell endring og utstyrer deltakerne med praksis, metoder og verktøy for å engasjere mennesker på tvers av DevOps spekteret gjennom bruk av virkelige scenarier og casestudier. Etter fullføring av kurset vil deltakerne ha konkrete ting å utnytte når de er tilbake på kontoret, for eksempel å forstå verdistrømskartlegging.

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.

Dette kurset er designet for deltakere som er engasjert i design, implementering og administrasjon av DevOps distribusjonspipelines og verktøykjeder som støtter kontinuerlig integrasjon, kontinuerlig levering, kontinuerlig testing og potensielt kontinuerlig distribusjon. Kurset fremhever underliggende prosesser, beregninger, APl'er og kulturelle hensyn med kontinuerlig levering

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

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