Szkolenia Kubeflow w Koszalin

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, na żywo w Koszalin (online lub na miejscu) jest skierowane do programistów i naukowców zajmujących się danymi, którzy chcą budować, wdrażać i zarządzać przepływami pracy uczenia maszynowego na Kubernetes.

Po zakończeniu szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Kubeflow lokalnie oraz w chmurze za pomocą AWS EKS (Elastic Kubernetes Service).
• Budować, wdrażać i zarządzać przepływami pracy ML opartymi na kontenerach Docker i Kubernetes.
• Uruchamiać całe potoki uczenia maszynowego na różnych architekturach i środowiskach chmurowych.
• Wykorzystywać Kubeflow do uruchamiania i zarządzania notebookami Jupyter.
• Budować obciążenia związane z trenowaniem ML, strojeniem hiperparametrów i serwisowaniem na wielu platformach.

To szkolenie prowadzone przez instruktora, na żywo w Koszalin (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 Koszalin (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.

To szkolenie prowadzone przez instruktora w Koszalin (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.