MLOps for Azure Machine Learning Treningskurs

Dette instruktørdrevne, live-løpet i Norge (online eller på stedet) er rettet mot AI-ingeniører og datavitenskapsfolk på avansert nivå med mellom- til avansert erfaring som ønsker å forbedre ytelsen til DeepSeek-modeller, minimere forsinkelser og effektivt utplassere AI-løsninger ved hjelp av moderne MLOps-praksis.

Etter dette opplæringsprogrammet vil deltakerne kunne:

• Optimalisere DeepSeek-modeller for effektivitet, nøyaktighet og skalerbarhet.
• Implementere beste praksis for MLOps og modellversjonshåndtering.
• Utplassere DeepSeek-modeller i sky- og lokalt infrastruktur.
• Overvåke, vedlikeholde og skalere AI-løsninger effektivt.

Denne instruktørlede, live-treningen i Norge (online eller på sted) retter seg mot mellomnivå til avanserte fagfolk som ønsker å bygge og distribuere AI-drevne skyapplikasjoner ved hjelp av Microsoft Azure.

Ved slutten av denne treningen vil deltakerne kunne:

• Utvikle hendelsesdrivne og serverløse applikasjoner ved hjelp av Azure Functions.
• Administrere Azure-lagringsløsninger og virtuelle maskiner.
• Distribuerer og skalere webapplikasjoner ved hjelp av Azure App Service og Docker-beholdere.
• Integrere AI, maskinlæring og naturlig språkbehandling ved hjelp av Azure AI Services.
• Utnyttet GitHub Copilot for å hjelpe til med AI-drevet utvikling av skyapplikasjoner.

Denne undervisningen med instruktør i Norge (online eller på stedet) er rettet mot utviklere og tekniske profesjonelle på begynner-/ mellomnivå/avansert nivå som ønsker å bruke Microsoft Azure til å bygge, teste og deployere AI-agenter for forretningsapplikasjoner.

Etter endt opplæring vil deltakerne kunne: forstå AI-agentarkitektur på Azure, opprette og konfigurere en fungerende agent, koble agenter til forretningskunnskapskilder, evaluere og forberede agenter for deployering.

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.

Dette instruktørledte, live-utdanningskurs i Norge (online eller på stedet) er rettet mot DevOps-ingeniører, utviklere og prosjektledere som ønsker å bruke Azure DevOps for å bygge og distribuere optimaliserte virksomhetsapplikasjoner raskere enn tradisjonelle utviklingsmetoder.

Ved slutten av dette kurset vil deltakerne kunne:

• Få forståelse for de grunnleggende DevOps-terminologiene og prinsippene.
• Installere og konfigurere nødvendige Azure DevOps-verktøy for programvareutvikling.
• Bruke Azure DevOps-verktøy og tjenester til å kontinuerlig tilpasse seg markedet.
• Bygge virksomhetsapplikasjoner og vurdere gjeldende utviklingsprosesser ved hjelp av Azure DevOps-løsninger.
• Håndtere team mer effektivt og akselerere programvaredistribusjonstiden.
• Adoptere DevOps-utviklingspraksiser i organisasjonen.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot sikkerhetsadministratorer som ønsker å sikre Azure arbeidsbelastninger.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Administrere host-sikkerhet, nettverksikkerhet og mer.
• Sette opp lagring og databasisikkerhet i Azure.
• Implementere sikkerhetsovervåking ved bruk av Azure ressurser.
• Forhindre skadelige kyberangrep på data og infrastrukturer.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot sikkerhetsadministratorer som ønsker å lære hvordan man konfigurerer Azure skysikkerhet for å sikre arbeidsbelastninger som kjører i Azure.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Konfigurer verts- og nettverkssikkerhet.
• Konfigurer Azure avanserte sikkerhetsalternativer.
• Bruk Azure for å sikre nettsky-arbeidsbelastninger.
• Bruk endepunktbeskyttelsestjenester sikkerhet mot skadelig programvare og virus.
• Sikre beholderarbeidsbelastninger som kjører i Azure.

Azure Bot Service samler funksjonaliteten i Microsoft Bot Framework og Azure Functions, og gir en kraftig plattform for rask utvikling av intelligente bots.

I denne instruktørlede, live-økten vil deltakerne utforske hvordan man effektivt utvikler intelligente bots ved hjelp av Microsoft Azure.

Ved slutten av opplæringen vil deltakerne kunne:

Forstå de grunnleggende konseptene bak intelligente bots.

Bygge intelligente bots ved hjelp av skybaserte applikasjoner.

Få praktisk kunnskap om Microsoft Bot Framework, Bot Builder SDK og Azure Bot Service.

Anvende etablerte bot-designmønstre i virkelige scenarier.

Opprette og deploye sin første intelligente bot ved hjelp av Microsoft Azure.

Målgruppe

Denne kurset er designet for utviklere, hobbyister, ingeniører og IT-fagfolk som er interessert i bot-utvikling.

Kursformat

Opplæringen kombinerer forelesninger og diskusjoner med øvelser og et sterkt fokus på praktisk trening.

Denne instruktørledede, live treningen (online eller på stedet) er rettet mot mellomnivå dataingeniører som ønsker å lære å bruke Azure Data Lake Storage Gen2 for effektive dataanalytiske løsninger.

Ved avslutningen av denne treningen vil deltakerne kunne:

• Forstå arkitekturen og hovedfunksjonene til Azure Data Lake Storage Gen2.
• Optimalisere data lagring og tilgang for kostnad og ytelse.
• Integere Azure Data Lake Storage Gen2 med andre Azure tjenester for analyse og databehandling.
• Utvikle løsninger ved hjelp av Azure Data Lake Storage Gen2 API.
• Få feilsøkt vanlige problemer og optimalisere lagringsstrategier.

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.

Denne instruktørledede, live-opplæringskurset (online eller på stedet) retter seg mot mellomnivå Java-utviklere, programvareingeniører og skyentusiaster som ønsker å utnytte kraften i Azure OpenAI for å skape intelligente applikasjoner.

Ved kursets avslutning vil deltakerne være i stand til:

• Forstå prinsippene for Generative AI og dets anvendelser.
• Opprette og administrere en Azure OpenAI-tjeneste.
• Integrere OpenAI-modeller i Java-applikasjoner.
• Utplassere AI-baserte funksjoner innenfor webapplikasjoner.

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.

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.

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.