MLOps for Azure Machine Learning 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.

Dette instruktørfôrte, live-treningen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å lære hvordan de kan bygge mikrotjenester på Microsoft Azure Service Fabric (ASF).

Avslutning på denne treningen vil deltagene kunne:

• Bruk ASF som en plattform for å bygge og administrere mikrotjenester.
• Få forståelse for nøkkelvektorene i mikrotjenesterprogrammering og modeller.
• Opprette et cluster i Azure.
• Distribuere mikrotjenester på premisser eller i skyen.
• Felsøke og feilsøke en live mikrotjenesteapplikasjon.

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

I denne instruktørledede, live treningen på Norge (på sted 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 opplæringen vil deltakerne kunne:

• Forstå grunnleggende prinsipper i Microsoft Azure
• Forstå de ulike Azure verktøyene og tjenestene
• Lære å bruke 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.

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.

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, 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.

I denne instruktørledede, live-opplæringen i Norge (online eller på stedet), vil deltakerne lære å sette opp og administrere et produksjonsskala containermiljø ved å bruke Kubernetes på AKS.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Konfigurer og administrer Kubernetes på AKS.
• Distribuer, administrer og skaler en Kubernetes-klynge.
• Distribuer containeriserte (Docker) applikasjoner på Azure.
• Migrer et eksisterende Kubernetes miljø fra lokalt til AKS-skyen.
• Integrer Kubernetes med tredjepartsprogramvare for kontinuerlig integrasjon (CI).
• Sørg for høy tilgjengelighet og katastrofegjenoppretting i Kubernetes.

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 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.