MLOps dla Azure Machine Learning - Plan Szkolenia

O tym kursie

W tym kursie uczestnicy nauczą się projektować i rozwijać usługi, które uzyskują dostęp do danych lokalnych i zdalnych z różnych źródeł. Uczestnicy dowiedzą się również, jak rozwijać i wdrażać usługi w środowiskach hybrydowych, w tym na serwerach lokalnych oraz w Microsoft Azure.

Profil uczestnika

Główna grupa: Programiści .NET, którzy chcą nauczyć się rozwijać usługi i wdrażać je w środowiskach hybrydowych.
Dodatkowa grupa: Programiści .NET z doświadczeniem w tworzeniu aplikacji internetowych, którzy chcą rozwijać nowe aplikacje lub przenosić istniejące aplikacje do Microsoft Azure.

Po ukończeniu kursu

Po ukończeniu tego kursu uczestnicy będą mogli:

• Opisać podstawowe koncepcje rozwoju usług i strategii dostępu do danych przy użyciu platformy .NET.
• Opisać platformę chmurową Microsoft Azure oraz jej oferty dotyczące przetwarzania, danych i hostowania aplikacji.
• Projektować i rozwijać aplikacje oparte na danych przy użyciu Visual Studio 2017 i Entity Framework Core.
• Projektować, implementować i korzystać z usług HTTP przy użyciu ASP.NET Core.
• Rozszerzać usługi HTTP przy użyciu ASP.NET Core.
• Hostować usługi lokalnie oraz w Microsoft Azure.
• Wdrażać usługi zarówno w środowiskach lokalnych, jak i chmurowych oraz zarządzać interfejsem i polityką swoich usług.
• Wybrać rozwiązanie do przechowywania danych, buforować, dystrybuować i synchronizować dane.
• Monitorować, logować i rozwiązywać problemy z usługami.
• Opisać koncepcje i standardy tożsamości opartej na oświadczeniach oraz implementować uwierzytelnianie i autoryzację za pomocą Azure Active Directory.
• Tworzyć skalowalne aplikacje usługowe.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu), skierowane jest do zaawansowanych inżynierów AI i naukowców zajmujących się danymi, którzy posiadają średniozaawansowane do zaawansowanych umiejętności i chcą poprawić wydajność modeli DeepSeek, zminimalizować opóźnienia oraz efektywnie wdrażać rozwiązania AI przy użyciu nowoczesnych praktyk MLOps.

Pod koniec szkolenia uczestnicy będą mogli:

• Optymalizować modele DeepSeek pod kątem wydajności, dokładności i skalowalności.
• Wdrażać najlepsze praktyki związane z MLOps i wersjonowaniem modeli.
• Wdrażać modele DeepSeek w infrastrukturze chmurowej i lokalnej.
• Monitorować, utrzymywać i skalować rozwiązania AI w efektywny sposób.

Zdobywaj niezbędną wiedzę do projektowania rozwiązania Azure AI, budując bota wsparcia klienta przy użyciu sztucznej inteligencji z platformy Microsoft Azure, w tym rozumienia języka i wbudowanych funkcji AI w usługach Azure Cognitive Services.

O tym kursie

Ten kurs wprowadza podstawowe pojęcia związane ze sztuczną inteligencją (AI) oraz usługi w Microsoft Azure, które można wykorzystać do tworzenia rozwiązań AI. Kurs nie jest zaprojektowany, aby nauczyć studentów zostania profesjonalnymi analitykami danych lub programistami, ale raczej aby zbudować świadomość typowych obciążeń AI oraz umiejętność identyfikowania usług Azure, które mogą je wspierać. Kurs został zaprojektowany jako doświadczenie mieszanego uczenia się, łączące szkolenie prowadzone przez instruktora z materiałami online na platformie Microsoft Learn (https://azure.com/learn). Ćwiczenia praktyczne w kursie opierają się na modułach Learn, a studenci są zachęcani do korzystania z treści na Learn jako materiałów referencyjnych, aby utrwalić to, czego nauczyli się na zajęciach i zgłębić tematy bardziej szczegółowo.

Profil odbiorców

Kurs Azure AI Fundamentals jest przeznaczony dla każdego, kto jest zainteresowany poznaniem typów rozwiązań, które umożliwia sztuczna inteligencja (AI), oraz usług w Microsoft Azure, które można wykorzystać do ich tworzenia. Nie jest wymagane wcześniejsze doświadczenie w korzystaniu z Microsoft Azure, ale zakłada się podstawową znajomość technologii komputerowych i Internetu. Niektóre z omawianych koncepcji wymagają podstawowej znajomości matematyki, np. umiejętności interpretowania wykresów. Kurs obejmuje ćwiczenia praktyczne, które polegają na pracy z danymi i uruchamianiu kodu, więc znajomość podstawowych zasad programowania będzie pomocna.

Po ukończeniu kursu

Po ukończeniu tego kursu będziesz w stanie:

• Opisać obciążenia związane ze sztuczną inteligencją i związane z nimi zagadnienia
• Opisać podstawowe zasady uczenia maszynowego w Azure
• Opisać funkcje obciążeń związanych z przetwarzaniem obrazów w Azure
• Opisać funkcje obciążeń związanych z przetwarzaniem języka naturalnego (NLP) w Azure
• Opisać funkcje obciążeń związanych z konwersacyjną sztuczną inteligencją w Azure

Docker to platforma do konteneryzacji, która służy do tworzenia powtarzalnych, przenośnych i skalowalnych środowisk dla systemów uczenia maszynowego.

To szkolenie prowadzone przez instruktora, na żywo (online lub na miejscu), jest skierowane do profesjonalistów technicznych na poziomie średnio zaawansowanym i zaawansowanym, którzy chcą konteneryzować i wdrażać kompleksowe potoki uczenia maszynowego przy użyciu Dockera.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Konteneryzować zadania związane z uczeniem, walidacją i inferencją modeli.
• Projektować i zarządzać kompleksowymi potokami uczenia maszynowego przy użyciu Dockera i narzędzi wspierających.
• Wdrażać wersjonowanie, powtarzalność i CI/CD dla komponentów uczenia maszynowego.
• Wdrażać, monitorować i skalować usługi uczenia maszynowego w środowiskach konteneryzowanych.

Format kursu

• Interaktywne wykłady wsparte praktycznymi demonstracjami.
• Ćwiczenia praktyczne skupione na budowaniu rzeczywistych komponentów potoku uczenia maszynowego.
• Implementacja na żywo kompleksowych przepływów pracy w kontenerach.

Opcje dostosowania kursu

• W przypadku spersonalizowanego szkolenia dostosowanego do konkretnych potrzeb infrastruktury uczenia maszynowego, prosimy o kontakt w celu omówienia opcji.

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 szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do inżynierów, którzy chcą wdrożyć obciążenia związane z uczeniem maszynowym na serwerze AWS EC2.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Kubernetes, Kubeflow oraz inne potrzebne oprogramowanie na AWS.
• Wykorzystać EKS (Elastic Kubernetes Service) do uproszczenia pracy związanej z inicjalizacją klastra Kubernetes na AWS.
• Tworzyć i wdrażać potoki Kubernetes do automatyzacji i zarządzania modelami ML w produkcji.
• Trenować i wdrażać modele ML TensorFlow na wielu GPU i maszynach działających równolegle.
• Wykorzystywać inne zarządzane usługi AWS do rozszerzania aplikacji ML.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do inżynierów, którzy chcą wdrażać obciążenia związane z uczeniem maszynowym w chmurze Azure.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Kubernetes, Kubeflow oraz inne niezbędne oprogramowanie na platformie Azure.
• Wykorzystać usługę Azure Kubernetes Service (AKS) w celu uproszczenia inicjalizacji klastra Kubernetes na platformie Azure.
• Tworzyć i wdrażać potoki Kubernetes w celu automatyzacji i zarządzania modelami ML w produkcji.
• Szkolić i wdrażać modele TensorFlow ML na wielu GPU i maszynach działających równolegle.
• Wykorzystywać inne zarządzane usługi AWS do rozszerzania aplikacji ML.

Kubeflow to platforma open-source zaprojektowana w celu usprawnienia budowania, trenowania i wdrażania obciążeń związanych z uczeniem maszynowym na Kubernetes.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do profesjonalistów na poziomie początkującym i średniozaawansowanym, którzy chcą budować niezawodne przepływy pracy związane z uczeniem maszynowym przy użyciu Kubeflow.

Po ukończeniu szkolenia uczestnicy zdobędą umiejętności:

• Poruszania się po ekosystemie Kubeflow i jego podstawowych komponentach.
• Tworzenia powtarzalnych przepływów pracy za pomocą Kubeflow Pipelines.
• Uruchamiania skalowalnych zadań treningowych na Kubernetes.
• Efektywnego serwowania modeli uczenia maszynowego przy użyciu Kubeflow Serving.

Format kursu

• Prezentacje z przewodnikiem i dyskusje grupowe.
• Praktyczne laboratoria z rzeczywistymi komponentami Kubeflow.
• Ćwiczenia praktyczne budujące kompleksowe przepływy pracy związane z uczeniem maszynowym.

Opcje dostosowania kursu

• Można zorganizować dostosowane wersje tego szkolenia, aby dostosować je do stosowanej technologii i wymagań projektowych Twojego zespołu.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do programistów i naukowców zajmujących się danymi, którzy chcą budować, wdrażać i zarządzać przepływami pracy uczenia maszynowego na platformie Kubernetes.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Instalować i konfigurować Kubeflow lokalnie oraz w chmurze.
• Budować, wdrażać i zarządzać przepływami pracy ML opartymi na kontenerach Docker i Kubernetes.
• Uruchamiać całe potoki uczenia maszynowego na różnych architekturach i środowiskach chmurowych.
• Korzystać z Kubeflow do tworzenia i zarządzania notatnikami Jupyter.
• Tworzyć zadania treningowe ML, dostrajanie hiperparametrów oraz serwowanie na wielu platformach.

To szkolenie prowadzone przez instruktora na żywo (online lub na miejscu) jest skierowane do naukowców zajmujących się danymi, którzy chcą wykroczyć poza budowanie modeli ML i zoptymalizować proces tworzenia, śledzenia i wdrażania modeli ML.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować MLflow oraz powiązane biblioteki i frameworki ML.
• Docenić znaczenie możliwości śledzenia, odtwarzalności i wdrażalności modelu ML.
• Wdraża modele ML w różnych chmurach publicznych, platformach lub serwerach lokalnych.
• Skalować proces wdrażania ML, aby dostosować go do wielu użytkowników współpracujących przy projekcie.
• Ustawić centralny rejestr do eksperymentowania, odtwarzania i wdrażania modeli ML.

To szkolenie prowadzone przez instruktora, na żywo w Polsce (online lub na miejscu) jest skierowane do inżynierów, którzy chcą ocenić dostępne obecnie podejścia i narzędzia, aby podjąć świadomą decyzję dotyczącą wdrożenia MLOps w swojej organizacji.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Instalować i konfigurować różne frameworki i narzędzia MLOps.
• Zbudować odpowiedni zespół z odpowiednimi umiejętnościami do tworzenia i wspierania systemu MLOps.
• Przygotowywać, walidować i wersjonować dane do użycia przez modele ML.
• Zrozumieć komponenty potoku ML oraz narzędzia potrzebne do jego zbudowania.
• Eksperymentować z różnymi frameworkami i serwerami do uczenia maszynowego w celu wdrożenia do produkcji.
• Operacjonalizować cały proces uczenia maszynowego, aby był powtarzalny i łatwy w utrzymaniu.

MLOps na Kubernetesie to framework automatyzujący procesy trenowania, walidacji, pakowania i wdrażania modeli uczenia maszynowego przy użyciu konteneryzowanych potoków i workflowów GitOps.

To szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do praktyków na poziomie średniozaawansowanym, którzy chcą budować zautomatyzowane i skalowalne potoki MLOps na Kubernetesie.

Po ukończeniu szkolenia uczestnicy będą potrafili:

• Projektować kompleksowe potoki CI/CD dla uczenia maszynowego.
• Wdrażać workflowy GitOps do zarządzania wersjami i wdrażaniem modeli.
• Automatyzować trenowanie, testowanie i pakowanie modeli ML.
• Integrować strategie monitorowania, alertów i wycofywania zmian.

Format kursu

• Prezentacje prowadzone przez instruktora oraz pogłębione analizy techniczne.
• Ćwiczenia praktyczne budujące rzeczywiste workflowy CI/CD.
• Praktyka w laboratorium na żywo dotycząca wdrażania obciążeń ML na Kubernetesie.

Opcje dostosowania kursu

• Organizacje mogą zgłaszać zapotrzebowanie na treści dostosowane do ich wewnętrznych narzędzi i infrastruktury MLOps.