Kubeflow on Azure - Plan Szkolenia
Kubeflow to framework do uruchamiania obciążeń uczenia maszynowego na Kubernetes. TensorFlow jest jedną z najpopularniejszych bibliotek uczenia maszynowego. Kubernetes to platforma orkiestracji do zarządzania aplikacjami kontenerowymi.
To prowadzone przez instruktora szkolenie na żywo (w trybie online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą wdrożyć Machine Learning obciążenia w chmurze Azure.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Zainstaluj i skonfiguruj Kubernetes, Kubeflow i inne potrzebne oprogramowanie na platformie Azure.
- Korzystanie z usługi Azure Kubernetes Service (AKS) w celu uproszczenia inicjalizacji klastra Kubernetes na platformie Azure.
- Tworzenie i wdrażanie potoku Kubernetes do automatyzacji i zarządzania modelami ML w środowisku produkcyjnym.
- Trenowanie i wdrażanie TensorFlow modeli ML na wielu GPU i maszynach działających równolegle.
- Wykorzystanie innych usług zarządzanych przez AWS do rozszerzenia aplikacji ML.
Format kursu
- Interaktywny wykład i dyskusja.
- Dużo ćwiczeń i praktyki.
- Praktyczne wdrożenie w środowisku live-lab.
Opcje dostosowywania kursu
- Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
Plan Szkolenia
Wprowadzenie
- Kubeflow on Azure vs lokalnie vs u innych dostawców chmury publicznej
Przegląd funkcji i architektury Kubeflow
Przegląd procesu wdrażania
Aktywacja konta Azure
Przygotowywanie i uruchamianie maszyn wirtualnych z obsługą GPU
Konfigurowanie ról i uprawnień użytkowników
Przygotowanie środowiska kompilacji
Wybór TensorFlow modelu i zestawu danych
Pakowanie kodu i frameworków do Docker obrazu
Konfigurowanie klastra Kubernetes przy użyciu AKS
Inscenizacja danych szkoleniowych i walidacyjnych
Konfigurowanie Kubeflow Potoków
Rozpoczęcie pracy szkoleniowej.
Wizualizacja zadania szkoleniowego w czasie wykonywania
Sprzątanie po zakończeniu pracy
Rozwiązywanie problemów
Podsumowanie i wnioski
Wymagania
- Zrozumienie koncepcji uczenia maszynowego.
- Znajomość koncepcji przetwarzania w chmurze.
- Ogólne zrozumienie kontenerów (Docker) i orkiestracji (Kubernetes).
- Pomocne jest pewne Python doświadczenie w programowaniu.
- Doświadczenie w pracy z wierszem poleceń.
Uczestnicy
- Inżynierowie zajmujący się nauką o danych.
- DevOps inżynierów zainteresowanych wdrażaniem modeli uczenia maszynowego.
- Inżynierowie infrastruktury zainteresowani wdrażaniem modeli uczenia maszynowego.
- Inżynierowie oprogramowania, którzy chcą zautomatyzować integrację i wdrażanie funkcji uczenia maszynowego w swojej aplikacji.
Szkolenia otwarte są realizowane w przypadku uzbierania się grupy szkoleniowej liczącej co najmniej 5 osób na dany termin.
Kubeflow on Azure - Plan Szkolenia - Booking
Kubeflow on Azure - Plan Szkolenia - Enquiry
Kubeflow on Azure - Zapytanie o Konsultacje
Zapytanie o Konsultacje
Opinie uczestników (4)
Zadania
Khaled Altawallbeh - Accenture Industrial SS
Szkolenie - Azure Machine Learning (AML)
Przetłumaczone przez sztuczną inteligencję
bardzo przyjazny i pomocny
Aktar Hossain - Unit4
Szkolenie - Building Microservices with Microsoft Azure Service Fabric (ASF)
Przetłumaczone przez sztuczną inteligencję
ekosystem ML nie tylko MLFlow, ale także Optuna, hyperops, docker i docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Szkolenie - MLflow
Przetłumaczone przez sztuczną inteligencję
Uczestniczenie w szkoleniu Kubeflow, które odbyło się zdalnie, było dla mnie bardzo przyjemne. To szkolenie pozwoliło mi ugruntować moją wiedzę dotyczącą usług AWS, K8s oraz wszystkich narzędzi devOps związanych z Kubeflow, które są niezbędnymi podstawami do właściwego podejścia do tematu. Chciałbym podziękować Malawskiemu Marcinowi za jego cierpliwość i profesjonalizm w trakcie szkolenia oraz za rady dotyczące najlepszych praktyk. Malawski podejmuje temat z różnych perspektyw, różnych narzędzi wdrażania Ansible, EKS kubectl, Terraform. Teraz jestem zdecydowanie przekonany, że wybieram właściwy kierunek aplikacji.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Szkolenie - Kubeflow
Przetłumaczone przez sztuczną inteligencję
Propozycje terminów
Szkolenia Powiązane
Developing Microsoft Azure and Web Services (szkolenie autoryzowane 20487DC)
35 godzinInformacje o tym kursie
W tym kursie studenci dowiedzą się, jak projektować i rozwijać usługi, które uzyskują dostęp do lokalnych i zdalnych danych z różnych źródeł. Studenci dowiedzą się również, jak opracowywać i wdrażać usługi w środowiskach hybrydowych, w tym na serwerach lokalnych i Microsoft Azure.
Profil odbiorców
Podstawowe: deweloperzy .NET, którzy chcą dowiedzieć się, jak tworzyć usługi i wdrażać je w środowiskach hybrydowych. Drugorzędne: deweloperzy .NET z doświadczeniem w tworzeniu aplikacji internetowych, którzy badają tworzenie nowych aplikacji lub przenoszenie istniejących aplikacji na platformę Microsoft Azure.
Po ukończeniu kursu
Po ukończeniu tego kursu studenci będą w stanie
- Opisanie podstawowych koncepcji rozwoju usług i strategii dostępu do danych przy użyciu platformy .NET.
- Opis platformy chmurowej Microsoft Azure i jej oferty hostingu obliczeń, danych i aplikacji.
- Zaprojektować i opracować aplikację skoncentrowaną na danych przy użyciu Visual Studio 2017 i Entity Framework Core.
- Projektowanie, wdrażanie i korzystanie z usług HTTP przy użyciu ASP.NET Core.
- Rozszerzanie usług HTTP przy użyciu ASP.NET Core.
- Hostowanie usług lokalnie i na platformie Microsoft Azure.
- Wdrażanie usług w środowiskach lokalnych i chmurowych oraz zarządzanie interfejsem i zasadami dla ich usług.
- Wybierać rozwiązanie do przechowywania danych, buforować, dystrybuować i synchronizować dane.
- Monitorowanie, rejestrowanie i rozwiązywanie problemów z usługami.
- Opisywanie koncepcji i standardów tożsamości opartych na roszczeniach oraz wdrażanie uwierzytelniania i autoryzacji za pomocą Azure Active Directory.
- Tworzenie skalowalnych aplikacji usługowych.
DeepSeek: Advanced Model Optimization and Deployment
14 godzinTo 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.
Designing and Implementing an Azure AI Solution (szkolenie autoryzowane AI 100T01)
21 godzinZdobądź niezbędną wiedzę do zaprojektowania rozwiązania Azure AI, budując bota czatu obsługi klienta przy użyciu sztucznej inteligencji z platformy Microsoft Azure, w tym rozumienia języka i wstępnie zbudowanej funkcjonalności AI w Azure Cognitive Services.
AI-102T00: Designing and Implementing a Microsoft Azure AI Solution
28 godzinAI-102 Designing and Implementing an Azure AI Solution is intended for software developers wanting to build AI infused applications that leverage Azure Cognitive Services, Azure Cognitive Search, and Microsoft Bot Framework. The course will use C# or Python as the programming language.
Audience Profile
Software engineers concerned with building, managing and deploying AI solutions that leverage Azure Cognitive Services, Azure Cognitive Search, and Microsoft Bot Framework. They are familiar with C# or Python and have knowledge on using REST-based APIs to build computer vision, language analysis, knowledge mining, intelligent search, and conversational AI solutions on Azure.
Microsoft Azure AI Fundamentals (szkolenie autoryzowane AI 900T00)
7 godzinInformacje o tym kursie
Ten kurs wprowadza podstawowe pojęcia związane ze sztuczną inteligencją (AI) oraz usługami w Microsoft Azure, które można wykorzystać do tworzenia rozwiązań AI. Kurs nie ma na celu nauczenia studentów, jak zostać profesjonalnymi analitykami danych lub programistami, ale raczej budowanie świadomości powszechnych obciążeń AI i umiejętności identyfikowania usług Azure w celu ich obsługi. Kurs został zaprojektowany jako mieszane doświadczenie edukacyjne, które łączy szkolenie prowadzone przez instruktora z materiałami online na platformie Microsoft Learn (https://azure.com/learn). Ćwiczenia praktyczne w ramach kursu są oparte na modułach Learn, a studenci są zachęcani do korzystania z treści na platformie Learn jako materiałów referencyjnych w celu wzmocnienia tego, czego uczą się na zajęciach i dogłębniejszego zbadania tematów.
Profil odbiorców
Kurs Azure AI Fundamentals jest przeznaczony dla wszystkich osób zainteresowanych poznaniem typów rozwiązań, które umożliwia sztuczna inteligencja (AI), oraz usług na platformie Microsoft Azure, których można użyć do ich tworzenia. Przed wzięciem udziału w tym kursie nie trzeba mieć żadnego doświadczenia w korzystaniu z platformy Microsoft Azure, ale zakłada się podstawowy poziom znajomości technologii komputerowej i Internetu. Niektóre z pojęć omawianych w kursie wymagają podstawowej znajomości matematyki, takiej jak umiejętność interpretowania wykresów. Kurs obejmuje zajęcia praktyczne, które obejmują pracę z danymi i uruchamianie kodu, więc znajomość podstawowych zasad programowania będzie pomocna.
Po ukończeniu kursu
Po ukończeniu tego kursu będziesz w stanie
- Opis obciążeń i rozważań związanych ze sztuczną inteligencją
- Opis podstawowych zasad uczenia maszynowego na platformie Azure
- Opisywanie funkcji obciążeń wizji komputerowej na platformie Azure
- Opisywanie funkcji obciążeń Natural Language Processing (NLP) na platformie Azure
- Opisywanie funkcji obciążeń konwersacyjnej sztucznej inteligencji na platformie Azure
Building AI Cloud Apps with Microsoft Azure
35 godzinTo prowadzone przez instruktora, interaktywne szkolenie (online lub stacjonarne) skierowane jest do profesjonalistów na poziomie średnio zaawansowanym i zaawansowanym, którzy chcą tworzyć i wdrażać aplikacje chmurowe oparte na sztucznej inteligencji, wykorzystując Microsoft Azure.
Po zakończeniu tego szkolenia uczestnicy będą mogli:
- Opracowywać aplikacje oparte na zdarzeniach i bezserwerowe przy użyciu funkcji Azure Functions.
- Zarządzać rozwiązaniami do przechowywania danych Azure i maszynami wirtualnymi.
- Wdrażać i skalować aplikacje internetowe przy użyciu Azure App Service i kontenerów Docker.
- Integrować sztuczną inteligencję, uczenie maszynowe i przetwarzanie języka naturalnego przy użyciu usług Azure AI Services.
- Wykorzystywać GitHub Copilot do wspomagania tworzenia aplikacji chmurowych opartych na sztucznej inteligencji.
Azure Machine Learning (AML)
21 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, którzy chcą korzystać z platformy Azure ML typu "przeciągnij i upuść" do wdrażania obciążeń Machine Learning bez konieczności zakupu oprogramowania i sprzętu oraz bez martwienia się o konserwację i wdrażanie.
Pod koniec tego szkolenia uczestnicy będą w stanie
- Pisać wysoce dokładne modele uczenia maszynowego przy użyciu Python, R lub narzędzi o zerowym kodzie.
- Wykorzystywać dostępne zestawy danych i algorytmy Azure do trenowania i śledzenia modeli uczenia maszynowego i głębokiego uczenia się.
- Korzystaj z interaktywnego obszaru roboczego Azure do wspólnego opracowywania modeli uczenia maszynowego.
- Wybieraj spośród różnych obsługiwanych przez Azure frameworków ML, takich jak PyTorch, TensorFlow i scikit-learn.
Building Microservices with Microsoft Azure Service Fabric (ASF)
21 godzinThis instructor-led, live training in Polsce (online or onsite) is aimed at developers who wish to learn how to build microservices on Microsoft Azure Service Fabric (ASF).
By the end of this training, participants will be able to:
- Use ASF as a platform for building and managing microservices.
- Understand key microservices programming concepts and models.
- Create a cluster in Azure.
- Deploy microservices on premises or in the cloud.
- Debug and troubleshoot a live microservice application.
Kubeflow
35 godzinTo 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.
Kubeflow Fundamentals
28 godzinTo 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.
Kubeflow on AWS
28 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą wdrożyć Machine Learning obciążenia na serwerze AWS EC2.
Po zakończeniu tego szkolenia uczestnicy będą w stanie
- Instalacja i konfiguracja Kubernetes, Kubeflow i innego potrzebnego oprogramowania na AWS.
- Użycie EKS (Elastic Kubernetes Service) w celu uproszczenia pracy związanej z inicjalizacją klastra Kubernetes na AWS.
- Tworzenie i wdrażanie potoku Kubernetes do automatyzacji i zarządzania modelami ML w produkcji.
- Trenowanie i wdrażanie TensorFlow modeli ML na wielu GPU i maszynach działających równolegle.
- Wykorzystanie innych zarządzanych usług AWS do rozszerzenia aplikacji ML.
MLflow
21 godzinTo 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.
MLOps: CI/CD for Machine Learning
35 godzinTo prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla inżynierów, którzy chcą ocenić dostępne obecnie podejścia i narzędzia, aby podjąć inteligentną decyzję dotyczącą dalszej drogi do przyjęcia MLOps w swojej organizacji.
Pod koniec tego szkolenia uczestnicy będą mogli
- Zainstalować i skonfigurować różne MLOps frameworki i narzędzia.
- Zebrać odpowiedni zespół z odpowiednimi umiejętnościami do budowy i wspierania systemu MLOps.
- Przygotowywać, weryfikować i wersjonować dane do wykorzystania przez modele ML.
- Zrozumienie komponentów potoku uczenia maszynowego i narzędzi potrzebnych do jego zbudowania.
- Eksperymentowanie z różnymi frameworkami uczenia maszynowego i serwerami w celu wdrożenia do produkcji.
- Zoperacjonalizuj cały proces Machine Learning tak, aby można go było odtworzyć i utrzymać.
MLOps for Azure Machine Learning
14 godzinTo prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla inżynierów uczenia maszynowego, którzy chcą korzystać z Azure Machine Learning i Azure DevOps w celu ułatwienia MLOps praktyk.
Pod koniec tego szkolenia uczestnicy będą mogli
- Budować powtarzalne przepływy pracy i modele uczenia maszynowego.
- Zarządzać cyklem życia uczenia maszynowego.
- Śledzić i raportować historię wersji modelu, zasoby i nie tylko.
- Wdrażać gotowe do produkcji modele uczenia maszynowego w dowolnym miejscu.