Docker dla MLOps: Pełna konteneryzacja potoków - Plan Szkolenia

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych inżynierów AI i naukowców zajmujących się danymi z doświadczeniem od średniego do zaawansowanego, którzy chcą zwiększyć wydajność modelu DeepSeek, zminimalizować opóźnienia i skutecznie wdrażać rozwiązania AI przy użyciu nowoczesnych praktyk MLOps.

Pod koniec tego szkolenia uczestnicy będą mogli

• Optymalizować modele DeepSeek pod kątem wydajności, dokładności i skalowalności.
• Wdrażać najlepsze praktyki dla MLOps i wersjonowania modeli.
• Wdrażać modele DeepSeek w chmurze i infrastrukturze lokalnej.
• Skutecznie monitorować, utrzymywać i skalować rozwiązania AI.

Docker to platforma dla programistów i administratorów systemów do utrzymywania rozproszonych aplikacji. Składa się z środowiska uruchomieniowego do uruchamiania kontenerów i usługi udostępniania kontenerów.

Dzięki docker ta sama aplikacja może działać bez zmian na laptopach, serwerach dedykowanych i serwerach wirtualnych.

Ten kurs uczy podstawowego wykorzystania Docker, przydatnego zarówno dla programistów, jak i administratorów systemu. Kurs obejmuje wiele ćwiczeń praktycznych, a uczestnicy będą ćwiczyć we własnym środowisku Docker i budować własne obrazy Docker w ciągu 2 dni.

Celem tego praktycznego kursu jest dostarczenie wszystkich narzędzi, które odnoszą się do praktycznych aspektów Docker i Kubernetes, aby uczestnicy mogli liczyć na umiejętności niezbędne do prawidłowego zarządzania programem.

Cele szkolenia: Opanowanie teoretycznych i operacyjnych umiejętności w zakresie Docker i Kubernetes.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów i naukowców zajmujących się danymi, którzy chcą budować, wdrażać i zarządzać przepływami pracy uczenia maszynowego w Kubernetes.

Po zakończeniu tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować Kubeflow na miejscu i w chmurze za pomocą AWS EKS (Elastic Kubernetes Service).
• Budować, wdrażać i zarządzać przepływami pracy ML w oparciu o kontenery Docker i Kubernetes.
• Uruchamianie całych potoków uczenia maszynowego w różnych architekturach i środowiskach chmurowych.
• Używanie Kubeflow do tworzenia i zarządzania notatnikami Jupyter.
• Tworzenie szkoleń ML, dostrajanie hiperparametrów i obsługiwanie obciążeń na wielu platformach.

Trening prowadzony przez instruktora (online lub stacjonarny) jest skierowany do inżynierów, którzy chcą wdrożyć obciążenia Machine Learning na serwerze AWS EC2.

Na koniec tego treningu uczestnicy będą w stanie:

• Zainstalować i skonfigurować Kubernetes, Kubeflow i inne wymagane oprogramowanie na AWS.
• Używać EKS (Elastic Kubernetes Service), aby uprościć pracę z inicjowaniem klastra Kubernetes na AWS.
• Tworzyć i wdrażać potoki Kubernetes do automatyzacji i zarządzania modelami ML w środowisku produkcyjnym.
• Trenować i wdrażać modele TensorFlow ML na wielu GPU i maszynach działających równolegle.
• Wykorzystywać inne zarządzane usługi AWS, aby rozszerzyć aplikację ML.

Ten prowadzony przez instruktora, live szkolenie w Polsce (online lub stacjonarny) jest skierowany do inżynierów, którzy chcą wdrożyć obciążenia Machine Learning na chmurze Azure.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Zainstalować i skonfigurować Kubernetes, Kubeflow oraz inne potrzebne oprogramowanie na Azure.
• Korzystać z usługi Azure Kubernetes Service (AKS), aby uprościć pracę inicjalizacji klastra Kubernetes na Azure.
• Tworzyć i wdrażać potoki Kubernetes do automatyzacji i zarządzania modelami ML w środowisku produkcyjnym.
• Trenować i wdrażać modele TensorFlow ML na wielu GPU i maszynach działających równolegle.
• Korzystać z innych zarządzanych usług AWS, aby rozszerzyć aplikację ML.

Kubeflow to platforma open-source zaprojektowana do ułatwienia budowania, trenowania i wdrażania obciążeń machine learning na Kubernetes.

To szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do profesjonalistów początkujących i pośrednio zaawansowanych, którzy chcą tworzyć niezawodne przepływy pracy ML przy użyciu Kubeflow.

Po zakończeniu tego szkolenia uczestnicy zdobędą umiejętności pozwalające na:

• Nawigację w ekosystemie Kubeflow i podstawowych komponentach.
• Tworzenie powtarzalnych przepływów pracy za pomocą Kubeflow Pipelines.
• Uruchamianie skalowalnych zadań trenujących na Kubernetes.
• Efektywne wdrażanie modeli machine learning za pomocą Kubeflow Serving.

Format kursu

• Kierowane prezentacje i kollaboracyjne dyskusje.
• Ćwiczenia praktyczne z użyciem rzeczywistych komponentów Kubeflow.
• Praktyczne ćwiczenia do budowania kompletnych przepływów pracy ML.

Opcje dostosowywania kursu

• Dostosowane wersje tego szkolenia mogą być zorganizowane, aby pasowały do stosunków technologicznych i wymagań projektowych Twojej grupy.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla programistów i naukowców zajmujących się danymi, którzy chcą budować, wdrażać i zarządzać przepływami pracy uczenia maszynowego w Kubernetes.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować Kubeflow na miejscu i w chmurze.
• Budować, wdrażać i zarządzać przepływami pracy ML w oparciu o kontenery Docker i Kubernetes.
• Uruchamiać całe potoki uczenia maszynowego w różnych architekturach i środowiskach chmurowych.
• Używanie Kubeflow do tworzenia i zarządzania notatnikami Jupyter.
• Tworzenie szkoleń ML, dostrajanie hiperparametrów i obsługiwanie obciążeń na wielu platformach.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą wyjść poza budowanie modeli ML i zoptymalizować proces tworzenia, śledzenia i wdrażania modeli ML.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować MLflow oraz powiązane biblioteki i frameworki ML.
• Docenić znaczenie możliwości śledzenia, odtwarzania i wdrażania modelu ML.
• Wdrażać modele ML na różnych chmurach publicznych, platformach lub serwerach lokalnych.
• Skalowanie procesu wdrażania uczenia maszynowego, aby pomieścić wielu użytkowników współpracujących nad projektem.
• Skonfigurowanie centralnego rejestru w celu eksperymentowania, odtwarzania i wdrażania modeli uczenia maszynowego.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do inżynierów, którzy chcą ocenić dostępne podejścia i narzędzia, aby podjąć informowaną decyzję dotyczącą dalszego kroku w adopcji MLOps w ich organizacji.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Instalować i konfigurować różne ramy MLOps i narzędzia.
• Zbudować odpowiedni zespół z odpowiednimi umiejętnościami do budowy i wsparcia systemu MLOps.
• Przygotować, zweryfikować i zweryfikować wersję danych do użycia przez modele ML.
• Zrozumieć składniki rurociągu ML oraz narzędzia potrzebne do jego budowy.
• Eksperymentować z różnymi ramami uczenia maszynowego i serwerami do wdrażania w produkcję.
• Operacjonalizować cały proces Machine Learning, aby był reprodukowalny i utrzymywalny.

To szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do inżynierów machine learning, którzy chcą użyć Azure Machine Learning i Azure DevOps do ułatwienia praktyk MLOps.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Budować powtarzalne przepływy pracy i modele machine learning.
• Zarządzać cyklem życia machine learning.
• Śledzić i raportować historię wersji modeli, zasoby i więcej.
• Wdrażać gotowe do produkcji modele machine learning w dowolnym miejscu.

MLOps na Kubernetes to ramka umożliwiająca automatyzację treningu, walidacji, pakowania i wdrażania modeli uczenia maszynowego za pomocą zcontainerizowanych potoków i przepływów pracy GitOps.

Ta szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do praktyków poziomu średniego, którzy chcą tworzyć automatyczne, skalowalne potoki MLOps na Kubernetes.

Po ukończeniu tego szkolenia uczestnicy będą wyposażeni w umiejętności:

• Projektowanie kompleksowych potoków CI/CD dla uczenia maszynowego.
• Implementacja przepływów pracy GitOps do wdrażania i wersjonowania modeli.
• Automatyzacja treningu, testowania i pakowania modeli ML.
• Integracja monitoringu, alertów i strategii cofania zmian.

Format kursu

• Prezentacje prowadzone przez instruktora i głębokie analizy techniczne.
• Ćwiczenia praktyczne tworzące rzeczywiste przepływy pracy CI/CD.
• Praktyka w laboratorium wdrażania obciążeń ML na Kubernetes.

Opcje dostosowywania kursu

• Organizacje mogą żądać zawartości dostosowanej do ich wewnętrznych narzędzi i infrastruktury MLOps.