
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
Dostosowując się do naszych potrzeb
Sumitomo Mitsui Finance and Leasing Company, Limited
Szkolenie: Kubeflow
Machine Translated
Dostosowując się do naszych potrzeb
Sumitomo Mitsui Finance and Leasing Company, Limited
Szkolenie: Kubeflow
Machine Translated
Plany szkoleń z technologii MLOps
-
Instaluj i konfiguruj różne MLOps ramy i narzędzia.
Zbierz odpowiedni rodzaj zespołu z odpowiednimi umiejętnościami do budowania i wspierania systemu MLOps.
Przygotowanie, weryfikacja i wersja danych do użytku przez modele ML.
Zrozum składniki rurociągu ML i narzędzia potrzebne do jego budowy.
Eksperyment z różnymi ramami uczenia się maszynowego i serwerami do rozmieszczenia do produkcji.
Funkcjonalizuj cały proces Machine Learning tak, aby był odtworzony i utrzymywany.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
-
Instaluj i konfiguruj Kubernetes, Kubeflow i inne niezbędne oprogramowanie na AWS.
Użyj EKS (Elastic Kubernetes Service), aby ułatwić pracę z inicjalizacją klastru Kubernetes w AWS.
Tworzenie i wdrażanie Kubernetes rurociągu do automatyzacji i zarządzania modelami ML w produkcji.
Trenować i rozmieszczać TensorFlow modele ML w różnych GPUs i maszyny działające równolegle.
Dostarczanie innych usług zarządzanych przez AWS w celu rozszerzenia aplikacji ML.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
-
Instaluj i konfiguruj Kubernetes, Kubeflow i inne niezbędne oprogramowanie na Azure.
Użyj Azure Kubernetes Usługi (AKS) w celu uproszczenia pracy z inicjalizacją Kubernetes klastru na Azure.
Tworzenie i wdrażanie Kubernetes rurociągu do automatyzacji i zarządzania modelami ML w produkcji.
Trenować i rozmieszczać TensorFlow modele ML w różnych GPUs i maszyny działające równolegle.
Dostarczanie innych usług zarządzanych przez AWS w celu rozszerzenia aplikacji ML.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
-
Instaluj i konfiguruj Kubernetes, Kubeflow i inne niezbędne oprogramowanie na GCP i GKE.
Użyj GKE (Kubernetes Kubernetes Silnik), aby ułatwić pracę z inicjalizacją Kubernetes klastru na GCP.
Tworzenie i wdrażanie Kubernetes rurociągu do automatyzacji i zarządzania modelami ML w produkcji.
Trenować i rozmieszczać TensorFlow modele ML w różnych GPUs i maszyny działające równolegle.
Dostarczanie innych usług GCP w celu rozszerzenia aplikacji ML.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
-
Instaluj i konfiguruj Kubernetes, Kubeflow i inne niezbędne oprogramowanie na IBM Cloud Kubernetes Service (IKS).
Użyj IKS, aby ułatwić inicjalizację klastru Kubernetes w IBM Cloud.
Tworzenie i wdrażanie Kubernetes rurociągu do automatyzacji i zarządzania modelami ML w produkcji.
Trenować i rozmieszczać TensorFlow modele ML w różnych GPUs i maszyny działające równolegle.
Dostarczanie innych usług IBM Cloud, aby rozszerzyć aplikację ML.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
-
Instaluj i skonfiguruj Kubeflow w nagłówku i w chmurze za pomocą usługi AWS EKS (Elastic Kubernetes Service).
Budować, rozmieszczać i zarządzać przepływami pracy ML opartymi na Docker pojemnikach i Kubernetes.
Wykonaj całe rury uczenia się maszynowego w różnych architekturach i środowiskach chmurowych.
Używanie Kubeflow do spawania i zarządzania laptopami Jupyter.
Budować szkolenia ML, tuning hiperparametrów i obsługiwanie ładunków roboczych na wielu platformach.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
-
Po zakończeniu szkolenia uczestnicy będą mogli:
Umieszczanie i konfiguracja Kubeflow i Kubeflow na klastrze OpenShift.
Użyj OpenShift, aby ułatwić pracę z inicjalizacją Kubernetes klastru.
Tworzenie i wdrażanie rurociągu Kubernetes do automatyzacji i zarządzania modelami ML w produkcji.
Trenować i rozmieszczać TensorFlow modele ML w różnych GPUs i maszyny działające równolegle.
Zadzwoń do publicznych usług w chmurze (np. usług AWS) z wnętrza OpenShift, aby rozszerzyć aplikację ML.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
-
Instalacja i konfiguracja Kubeflow na premisie i w chmurze.
Budować, rozmieszczać i zarządzać przepływami pracy ML opartymi na Docker pojemnikach i Kubernetes.
Wykonaj całe rury uczenia się maszynowego w różnych architekturach i środowiskach chmurowych.
Używanie Kubeflow do spawania i zarządzania laptopami Jupyter.
Budować szkolenia ML, tuning hiperparametrów i obsługiwanie ładunków roboczych na wielu platformach.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
Aby dowiedzieć się więcej o Kubeflow, proszę odwiedzić: https://github.com/kubeflow/kubeflow
-
Instaluj i konfiguruj MLflow i powiązane biblioteki i ramki ML.
Ocenianie znaczenia śledzenia, reprodukcyjności i rozmieszczalności modelu ML
Rozmieszcz modele ML do różnych publicznych chmur, platform lub serwerów na miejscu.
Skalić proces rozmieszczania ML, aby pomieścić wielu użytkowników współpracujących na jednym projekcie.
Ustaw centralny rejestr do eksperymentowania, odtwarzania i rozmieszczania modeli ML.
-
Interaktywne wykłady i dyskusje.
Dużo ćwiczeń i praktyk.
Wdrażanie rąk w środowisku Live-Lab.
-
Aby poprosić o dostosowane szkolenie dla tego kursu, prosimy o kontakt, aby zorganizować.
Last Updated: