Lokalne, prowadzone przez instruktora kursy szkoleniowe MLOps na żywo demonstrują poprzez interaktywne praktyczne ćwiczenia, jak używać narzędzi MLOps do automatyzacji i optymalizacji wdrażania i konserwacji systemów ML w produkcji. Szkolenie MLOps jest dostępne jako "szkolenie online na żywo" lub "szkolenie na żywo na miejscu". Szkolenie na żywo online (inaczej "zdalne szkolenie na żywo") odbywa się za pomocą interaktywnego, zdalnego pulpitu . Szkolenie na żywo na miejscu może odbywać się lokalnie w siedzibie klienta w dolnośląskie lub w korporacyjnych centrach szkoleniowych NobleProg w dolnośląskie. NobleProg — Twój lokalny dostawca szkoleń
Wrocław
NobleProg, Ludwika Rydygiera 2a/22, Wroclaw, Polska, 50-249
Lokal znajduje się w samym centrum miasta (vis-à-vis hotelu HP Park Plaza), zaledwie 10 minut spacerem od Rynku, tuż przy skrzyżowaniu ulic Drobnera i Rydygiera.
Wejście do budynku zlokalizowane jest od strony ulicy Śrutowej, tuż przy skrzyżowaniu z Bolesława Drobnera. Idąc od strony pl. Bema, mijamy po prawej stronie Rossmann i tuż za nim skręcamy w Śrutową - wejście będzie po prawej. Kierując się od pl. Dubois, mijamy po lewej aptekę Ziko oraz Carrefour Express i dochodzimy aż do skrzyżowania z ul. Śrutową - skręcamy w nią, wejście do budynku będzie po prawej stronie.
Sala szkoleniowa znajduje się na drugim piętrze.
Parking
W pobliżu sali szkoleniowej liczba miejsc parkingowych jest ograniczona, nie obowiązuje strefa płatnego parkowania (wzdłuż ulic Rydygiera, Śrutowej i Henryka Brodatego, Bolesława Drobnera). Ul. Ludwika Rydygiera jest jednokierunkowa, wjazd od ul. Bolesława Drobnera. Ul. Śrutowa także jest jednokierunkowa, wjazd od ul. Henryka Brodatego.
Dojazd komunikacją miejską
To prowadzone przez instruktora szkolenie na żywo w dolnośląskie (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.
MLOps na Kubernetes to ramka umożliwiająca automatyzację treningu, walidacji, pakowania i wdrażania modeli uczenia maszynowego za pomocą zcontainerizowanych potoków i przepływów pracy GitOps.
Ta szkolenie prowadzone przez instruktora (online lub stacjonarnie) jest skierowane do praktyków poziomu średniego, którzy chcą tworzyć automatyczne, skalowalne potoki MLOps na Kubernetes.
Po ukończeniu tego szkolenia uczestnicy będą wyposażeni w umiejętności:
Projektowanie kompleksowych potoków CI/CD dla uczenia maszynowego.
Implementacja przepływów pracy GitOps do wdrażania i wersjonowania modeli.
Automatyzacja treningu, testowania i pakowania modeli ML.
Integracja monitoringu, alertów i strategii cofania zmian.
Format kursu
Prezentacje prowadzone przez instruktora i głębokie analizy techniczne.
Ćwiczenia praktyczne tworzące rzeczywiste przepływy pracy CI/CD.
Praktyka w laboratorium wdrażania obciążeń ML na Kubernetes.
Opcje dostosowywania kursu
Organizacje mogą żądać zawartości dostosowanej do ich wewnętrznych narzędzi i infrastruktury MLOps.
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.
Docker to platforma do konteneryzacji, używana do tworzenia powtarzalnych, przenośnych i skalowalnych środowisk dla systemów ML.
Ta szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do poziomu średniozaawansowanego i zaawansowanego specjalistów technicznych, którzy chcą konteneryzować i operacjonizować kompleksowe potoki ML przy użyciu Docker.
Po zakończeniu tego szkolenia uczestnicy będą w stanie:
Konteneryzować obciążenia do treningu, walidacji i wnioskowania ML.
Projektować i koordynować kompleksowe potoki ML przy użyciu Docker i wspartych narzędzi.
Implementować wersjonowanie, powtarzalność i CI/CD dla komponentów ML.
Wdrażać, monitorować i skalować usługi ML w konteneryzowanych środowiskach.
To prowadzone przez instruktora szkolenie na żywo w dolnośląskie (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 dolnośląskie (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.
To prowadzone przez instruktora szkolenie na żywo w dolnośląskie (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 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 szkolenie prowadzone przez instruktora (online lub na miejscu) jest skierowane do inżynierów, którzy chcą ocenić dostępne podejścia i narzędzia, aby podjąć informowaną decyzję dotyczącą dalszego kroku w adopcji MLOps w ich organizacji.
Na zakończenie tego szkolenia uczestnicy będą w stanie:
Instalować i konfigurować różne ramy MLOps i narzędzia.
Zbudować odpowiedni zespół z odpowiednimi umiejętnościami do budowy i wsparcia systemu MLOps.
Przygotować, zweryfikować i zweryfikować wersję danych do użycia przez modele ML.
Zrozumieć składniki rurociągu ML oraz narzędzia potrzebne do jego budowy.
Eksperymentować z różnymi ramami uczenia maszynowego i serwerami do wdrażania w produkcję.
Operacjonalizować cały proces Machine Learning, aby był reprodukowalny i utrzymywalny.
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.
Więcej...
Ostatnia aktualizacja:
Opinie uczestników (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Szkolenie - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
