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 Trójmiasto lub w korporacyjnych centrach szkoleniowych NobleProg w Trójmiasto. NobleProg — Twój lokalny dostawca szkoleń
Gdynia
Hotel Nadmorski, Ejsmonda 2, Gdynia, Polska, 81-409
Sala szkoleniowa znajduje się zaledwie 3 kilometry od Dworca PKP/PKS w Gdyni, co sprawia, że jest łatwo dostępna dla uczestników podróżujących pociągiem lub autobusem. Dodatkowo, jest oddalona tylko o 400 metrów od przystanku autobusowego, ułatwiając dojazd nawet tym, którzy podróżują komunikacją miejską. Wyposażona jest w niezbędne narzędzia do prowadzenia szkoleń, takie jak rzutnik, ekran oraz flipchart, co zapewnia komfortowe warunki dla uczestników i prowadzącego zajęcia.
Gdańsk
Hotel Fahrenheit, Grodzka 19, Gdańsk, Polska, 80-841
Sala szkoleniowa znajduje się w samym sercu malowniczej gdańskiej starówki, co sprawia, że otoczenie jest nie tylko inspirujące, ale także wyjątkowo atrakcyjne dla uczestników. W niedalekiej odległości można znaleźć dworzec PKP oraz PKS, ułatwiając przyjazd zarówno tym podróżującym pociągiem, jak i autobusem. Dodatkowo, lotnisko i port są również w zasięgu ręki, co czyni tę lokalizację wygodną dla osób przybywających z dalszych miejscowości, zarówno z kraju, jak i spoza jego granic.
To prowadzone przez instruktora szkolenie na żywo w Trójmiasto (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 Trójmiasto (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 Trójmiasto (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 Trójmiasto (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 prowadzone przez instruktora, na żywo szkolenie w Trójmiasto (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.
Więcej...
Ostatnia aktualizacja:
Opinie uczestników (2)
ekosystem ML obejmuje nie tylko MLFlow, ale także Optuna, hyperops, Docker i docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Szkolenie - MLflow
Przetłumaczone przez sztuczną inteligencję
Cieszyłem się, biorąc udział w szkoleniu Kubeflow, które odbyło się zdalnie. To szkolenie pozwoliło mi ukonsolidować wiedzę na temat usług AWS, K8s oraz wszystkich narzędzi devOps związanych z Kubeflow, które stanowią niezbędne podstawy do właściwego podejścia do tego tematu. Chciałbym podziękować Marcina Malawskiego za jego cierpliwość i profesjonalizm w zakresie szkolenia oraz rad na temat najlepszych praktyk. Marcin podejmuje temat z różnych perspektyw, wykorzystując różne narzędzia wdrażania, takie jak Ansible, EKS kubectl, Terraform. Teraz jestem absolutnie przekonany, że wchodzę w właściwe pole zastosowania.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
