
Praktyczne szkolenia na żywo z MLOps. MLOps (DevOps na potrzeby uczenia maszynowego) sprawdza się przy współpracy zespołów Data Science i IT. Pomaga w tworzeniu I wdrażaniu modeli, a także automatyzacji cyklu życia uczenia maszynowego w oparciu o procesy DevOps.
Szkolenie MLOps jest dostępne jako "szkolenie stacjonarne" lub "szkolenie online na żywo".
Szkolenie stacjonarne może odbywać się lokalnie w siedzibie klienta w Polsce lub w ośrodkach szkoleniowych NobleProg w Polsce. Zdalne szkolenie online odbywa się za pomocą interaktywnego, zdalnego pulpitu DaDesktop .
NobleProg -- Twój lokalny dostawca szkoleń.
Opinie uczestników
Wiedza i doświadczenie wykładowcy.
Ringier Axel Springer Polska
Szkolenie: Kubeflow on AWS
Dogłebna wiedza prowadzącego
Ringier Axel Springer Polska
Szkolenie: Kubeflow on AWS
Wiedza i doświadczenie wykładowcy.
Ringier Axel Springer Polska
Szkolenie: Kubeflow on AWS
Dogłebna wiedza prowadzącego
Ringier Axel Springer Polska
Szkolenie: Kubeflow on AWS
Plany szkoleń z technologii MLOps
-
Zainstaluj i skonfiguruj Kubernetes, Kubeflow i inne potrzebne oprogramowanie na AWS.
Wykorzystanie usługi EKS (Elastic Kubernetes Service) do uproszczenia procesu inicjalizacji klastra Kubernetes na platformie 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.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
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.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Zainstaluj i skonfiguruj Kubernetes, Kubeflow i inne potrzebne oprogramowanie na GCP i GKE.
Korzystanie z GKE (Kubernetes Kubernetes Engine) w celu uproszczenia pracy związanej z inicjalizacją klastra Kubernetes na GCP.
Utworzenie i wdrożenie 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 GCP do rozszerzenia aplikacji ML.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Zainstaluj i skonfiguruj Kubernetes, Kubeflow i inne potrzebne oprogramowanie w usłudze IBM Cloud Kubernetes Service (IKS).
Wykorzystanie IKS do uproszczenia procesu inicjalizacji klastra Kubernetes na platformie IBM Cloud.
Tworzenie i wdrażanie potoku Kubernetes do automatyzacji i zarządzania modelami ML w środowisku produkcyjnym.
Trenowanie i wdrażanie TensorFlow modeli ML na wielu procesorach graficznych i maszynach działających równolegle.
Wykorzystanie innych usług IBM Cloud do rozszerzenia aplikacji ML.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Instalowanie i konfigurowanie różnych frameworków i narzędzi MLOps.
Zebranie odpowiedniego zespołu z odpowiednimi umiejętnościami do budowy i obsługi systemu MLOps.
Przygotowanie, walidacja i wersjonowanie danych 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.
Zoperacjonalizowanie całego procesu uczenia maszynowego tak, aby można go było odtworzyć i utrzymać.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Instalowanie i konfigurowanie Kubeflow na miejscu i w chmurze przy użyciu AWS EKS (Elastic Kubernetes Service).
Tworzenie, wdrażanie i zarządzanie 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.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Pod koniec tego szkolenia uczestnicy będą w stanie
Zainstalować i skonfigurować 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.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
-
Instalowanie i konfigurowanie Kubeflow na miejscu i w chmurze.
Tworzenie, wdrażanie i zarządzanie 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.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
Aby dowiedzieć się więcej o Kubeflow, odwiedź stronę: https://github.com/kubeflow/kubeflow
-
Instalowanie i konfigurowanie MLflow oraz powiązanych bibliotek i frameworków ML.
Docenianie znaczenia możliwości śledzenia, odtwarzania i wdrażania modelu uczenia maszynowego.
Wdrażanie modeli uczenia maszynowego na różnych chmurach publicznych, platformach lub serwerach lokalnych.
Skalowanie procesu wdrażania uczenia maszynowego, aby pomieścić wielu użytkowników współpracujących nad projektem.
Utworzenie centralnego rejestru w celu eksperymentowania, odtwarzania i wdrażania modeli uczenia maszynowego.
-
Interaktywny wykład i dyskusja.
Dużo ćwiczeń i praktyki.
Praktyczne wdrożenie w środowisku live-lab.
-
Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.
Last Updated: