MLOps på Kubernetes: CI/CD-pipelines for maskinlæring 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.

DO180 er en introduksjon til beholdere, grunnleggende Kubernetes og Red Hat OpenShift-plattformskonsepter som fokuserer på hånd-på-kurs.

Denne instruktørledede, live-treningen (online eller på stedet) er rettet mot tekniske fagfolk på begynnernivå til mellomnivå som ønsker å lære beholderarbeidsflyt, Kubernetes-primitiver og hvordan man deployer og opererer applikasjoner på OpenShift.

Ved slutten av denne treningen vil deltakerne kunne:

• Bygg og administrere beholderbilder og registre med beste praksis for gjengivelse og sikkerhet.
• Deploy og administrere Kubernetes-objekter som pods, deployments og tjenester i OpenShift.
• Bruk OpenShift-funksjoner inkludert ruter, buildconfigs og web-grensesnittet for å effektivisere applikasjonslevering.
• Implementere vedvarende lagring, konfigurasjonshåndtering og hemmelighetsbehandling for tilstandsbaserte arbeidsbelastninger.
• Anvende grunnleggende sikkerhets-, RBAC- og overvåkningspraksis for å opprettholde sunne klustrer og applikasjoner.

Format på kurset

• Interaktiv forelesning og diskusjon.
• Hånd-på-laboratorier i en live OpenShift-miljø hver dag.
• Øvelser basert på scenarier og feilsøkningsverksteder.

Kursetilpasningsmuligheter

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

Dette instruktørlidte, live-treningen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å bruke Helm for å forenkle prosessen med å installere og administrere Kubernetes-applikasjoner.

Ved slutten av denne treningen vil deltakerne kunne:

• Installere og konfigurere Helm.
• Opprette gjentakelige build-prosesser for Kubernetes-applikasjoner.
• Deltake applikasjoner som Helm-charts.
• Køre tredjepartapplikasjoner lagret som Helm-charts.
• Administrere utgivelser av Helm-pakker.

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 Norge (online eller på stedet) er rettet mot programvareutviklere på nybegynnernivå til mellomnivå og DevOps fagfolk som ønsker å lære å sette opp og administrere et lokalt Kubernetes miljø ved å bruke Minikube.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Minikube på deres lokale maskin.
• Forstå de grunnleggende konseptene og arkitekturen til Kubernetes.
• Distribuer og administrer containere ved å bruke kubectl og Minikube-dashbordet.
• Konfigurer vedvarende lagrings- og nettverksløsninger for Kubernetes.
• Bruk Minikube til å utvikle, teste og feilsøke applikasjoner.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere på middels nivå og DevOps ingeniører som ønsker å bruke Minikube som en del av utviklingsarbeidsflyten deres.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp og administrer et lokalt Kubernetes miljø ved hjelp av Minikube.
• Forstå hvordan du distribuerer, administrerer og feilsøker applikasjoner på Minikube.
• Integrer Minikube i deres kontinuerlige integrerings- og distribusjonsrørledninger.
• Optimaliser utviklingsprosessen deres ved å bruke Minikubes avanserte funksjoner.
• Bruk beste praksis for lokal Kubernetes utvikling.

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.