Kubeflow on IBM Cloud - Plan Szkolenia

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 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.

To 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.

To 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.

To prowadzone przez instruktora szkolenie na żywo w Polsce (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

• Instalowanie i konfigurowanie Kubernetes, Kubeflow i innego potrzebnego oprogramowania na platformie Azure.
• Używanie usługi Azure Kubernetes Service (AKS) w celu uproszczenia pracy związanej z inicjowaniem klastra Kubernetes na platformie Azure.
• 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 usług zarządzanych AWS do rozszerzenia aplikacji ML.

To prowadzone przez instruktora szkolenie na żywo w Polsce (online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą wdrożyć Machine Learning obciążenia na Google Cloud Platform (GCP).

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Instalacja i konfiguracja Kubernetes, Kubeflow i innego potrzebnego oprogramowania na GCP i GKE.
• Używanie GKE (Kubernetes Kubernetes Engine) w celu uproszczenia pracy związanej z inicjalizacją klastra Kubernetes na GCP.
• 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 usług GCP do rozszerzenia aplikacji ML.

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.

To prowadzone przez instruktora szkolenie na żywo (w trybie online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą wdrożyć obciążenia uczenia maszynowego w chmurze lokalnej lub hybrydowej.

• Pod koniec tego szkolenia uczestnicy będą w stanie:
• Instalować i konfigurować Kubernetes i Kubeflow na klastrze OpenShift.
• Używać OpenShift do uproszczenia pracy związanej z inicjalizacją klastra Kubernetes.
• 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.
• Wywoływanie usług chmury publicznej (np. usług AWS) z poziomu OpenShift w celu rozszerzenia aplikacji ML
.

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.