MLOps na Kubernetes: potoki CI/CD dla uczenia maszynowego - 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.

DO180 jest wprowadzeniem do kontenerów, podstaw Kubernetes oraz koncepcji platformy Red Hat OpenShift skupionym na praktycznych umiejętnościach.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla technicznych profesjonalistów na poziomie początkującego do średniozaawansowanego, którzy chcą nauczyć się pracować z kontenerami, podstawami Kubernetes oraz jak wdrażać i obsługiwać aplikacje na OpenShift.

Po ukończeniu tego szkolenia uczestnicy będą w stanie:

• Budować i zarządzać obrazami kontenerów oraz rejestrami z najlepszymi praktykami dotyczącymi powtarzalności i bezpieczeństwa.
• Wdrażać i zarządzać obiektami Kubernetes, takimi jak pody, wdrażania i usługi w OpenShift.
• Korzystać z funkcji OpenShift, w tym tras, konfiguracji budowania i konsoli webowej, aby ułatwić dostarczanie aplikacji.
• Wdawać się w persystentne przechowywanie danych, zarządzanie konfiguracją oraz obsługę sekretów dla złożonych obciążeń.
• Zastosować podstawowe praktyki bezpieczeństwa, RBAC oraz monitorowania, aby utrzymać zdrowe klastry i aplikacje.

Format kursu

• Interaktywne wykłady i dyskusje.
• Praktyczne laboratoria w żywym środowisku OpenShift codziennie.
• Ćwiczenia z scenariuszami i warsztaty dotyczące rozwiązywania problemów.

Opcje dostosowywania kursu

• Aby poprosić o dostosowane szkolenie dla tego kursu, skontaktuj się z nami, aby umówić się.

To prowadzone przez instruktora, na żywo szkolenie Polsce (online lub stacjonarnie) jest skierowane do inżynierów, którzy chcą użyć Helm, aby uprościć proces instalacji i zarządzania aplikacjami Kubernetes.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zainstalować i skonfigurować Helm.
• Tworzyć powielalne kompilacje aplikacji Kubernetes.
• Udostępniać aplikacje jako wykresy Helm.
• Uruchamiać zewnętrzne aplikacje przechowywane jako wykresy Helm.
• Zarządzać wersjami pakietów Helm.

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 szkolenie prowadzone przez instruktora w Polsce (online lub stacjonarnie) jest przeznaczone dla początkujących do średnio zaawansowanych programistów oraz profesjonalistów DevOps, którzy chcą nauczyć się jak skonfigurować i zarządzać lokalnym środowiskiem Kubernetes przy użyciu Minikube.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zainstalować i skonfigurować Minikube na swoim komputerze.
• Zrozumieć podstawowe koncepcje i architekturę Kubernetes.
• Wdrażać i zarządzać kontenerami przy użyciu kubectl i pulpitu nawigacyjnego Minikube.
• Konfigurować trwałe rozwiązania magazynowania danych i sieciowe dla Kubernetes.
• Wykorzystywać Minikube do tworzenia, testowania i debugowania aplikacji.

To szkolenie prowadzone przez instruktora online lub na miejscu jest skierowane do developerów i inżynierów DevOps na poziomie średnim, którzy chcą używać Minikube jako części swojego procesu rozwoju.

Na zakończenie tego szkolenia uczestnicy będą w stanie:

• Zainstalować i zarządzać lokalnym środowiskiem Kubernetes za pomocą Minikube.
• Zrozumieć, jak wdrażać, zarządzać i debugować aplikacje na Minikube.
• Zintegrować Minikube z ich ciągłymi procesami integracji i wdrażania.
• Optymalizować proces rozwoju za pomocą zaawansowanych funkcji Minikube.
• Zastosować najlepsze praktyki dla lokalnego rozwoju Kubernetes.

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, na żywo szkolenie w Polsce (online lub stacjonarne) jest skierowane do inżynierów, którzy chcą ocenić dostępne dziś podejścia i narzędzia, aby podjąć inteligentną decyzję dotyczącą przyszłej adopcji MLOps w swojej organizacji.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Zainstalować i skonfigurować różne ramy MLOps i narzędzia.
• Skompletować odpowiedni zespół z niezbędnymi umiejętnościami do budowy i obsługi systemu MLOps.
• Przygotować, walidować i wersjonować dane do użytku przez modele ML.
• Zrozumieć składniki potoku ML oraz narzędzia potrzebne do jego budowy.
• Eksperymentować z różnymi ramami i serwerami uczenia maszynowego do wdrożenia w środowisku produkcyjnym.
• Operacjonalizować cały proces Machine Learning, aby był on powtarzalny i utrzymany.

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.