Docker för MLOps: Containerisering av hela pipelineflöden Träningskurs

Den här instruktörledda, liveutbildningen i Sverige (online eller på plats) riktar sig till ingenjörer som vill utveckla sin kunskap om Docker för att distribuera appar på större skala samtidigt som de behåller kontrollen.

Efter utbildningen kommer deltagarna kunna:

• Bygga egna Docker-avbilder.
• Distribuera och hantera en stor mängd Docker-applikationer.
• Bedöma olika containerorkesteringslösningar och välja den mest lämpliga.
• Uppsätta en process för kontinuerlig integration för Docker-applikationer.
• Integrera Docker-applikationer med befintliga processer för kontinuerlig integration och distribution.
• Säkerställa sina Docker-applikationer.

Denna instruktionsledda, liveutbildning i Sverige (online eller på plats) riktar sig till AI-ingenjörer och datavetare på avancerad nivå med mellan- till avancerad erfarenhet som vill förbättra prestandan för DeepSeek-modeller, minimera latens och effektivt distribuera AI-lösningar med hjälp av moderna MLOps-praxis.

Innan utbildningen är slut kommer deltagarna att kunna:

• Optimera DeepSeek-modeller för effektivitet, noggrannhet och skalbarhet.
• Implementera bästa praxis för MLOps och modellversionering.
• Distribuera DeepSeek-modeller på moln- och lokala infrastruktur.
• Övervaka, underhålla och skala AI-lösningar effektivt.

Lär dig hur man bygger, distribuerar och administrerar containervärdade miljöer med hjälp av Docker, Kubernetes och OpenShift. Denna femdagars praktiska utbildning täcker containerbilder, Kubernetes-arbetslasters, klusternätverk, lagring, säkerhet, övervakning och praktisk OpenShift-administration. Deltagarna får de färdigheter som krävs för att driva moderna containerplattformar och felsöka applikationer i både utvecklings- och produktionsmiljöer.

I detta instruktör-ledna, live-träning i Sverige (platsbunden eller fjärran), kommer deltagarna att lära sig hur man skapar och hanterar Docker-containrar, sedan distribuerar ett exempel på en applikation inuti en containare. Deltagarna kommer också att lära sig hur man automatiserar, skalnar och hanterar sina containeriserade applikationer i ett Kubernetes-kluster. Slutligen går träningen vidare till mer avancerade ämnen, genom att guida deltagarna genom processen med att säkra, skalera och övervaka ett Kubernetes-kluster.

Vid slutet av denna träning kommer deltagarna kunna:

• Konfigurera och köra en Docker-container.
• Distribuera en containeriserad server och webbapplikation.
• Bygga och hantera Docker-avbildningar.
• Konfigurera ett Docker- och Kubernetes-kluster.
• Använda Kubernetes för att distribuera och hantera en klusterad webbapplikation.
• Säkra, skalera och övervaka ett Kubernetes-kluster.

Mål för utbildningen: Få teoretiska och operationella kunskaper om Docker och Kubernetes.

Den här instruktörsledda, direkta utbildningen i Sverige (online eller på plats) är avsedd för utvecklare och datavetare som vill bygga, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.

När utbildningen är avslutad ska deltagarna kunna:

• Installera och konfigurera Kubeflow lokalt och i molnet.
• Bygga, distribuera och hantera ML-arbetsflöden baserade på Docker-containers och Kubernetes.
• Köra hela maskininlärningspipeline i olika arkitekturer och molnmiljöer.
• Använda Kubeflow för att skapa och hantera Jupyter-notebooks.
• Bygga arbetsbelastningar för ML-träning, hyperparameterjustering och servering över flera plattformar.

Denna handledareledd, live-träning i Sverige (online eller på plats) riktas till ingenjörer som vill utvärdera de tillgängliga metoderna och verktygen idag för att fatta ett intelligent beslut om vägen framåt vid införandet av MLOps inom deras organisation.

Vid slutet av denna träning kommer deltagarna att kunna:

• Installera och konfigurera olika MLOps-ramverk och verktyg.
• Sätta ihop rätt typ av team med de rätta kompetenserna för att konstruera och stödja ett MLOps-system.
• Förbereda, validera och versionera data för användning av ML-modeller.
• Fatta känsla för komponenterna i en ML-pipeline och de verktyg som behövs för att bygga en sådan.
• Experimentera med olika maskininlärningsramverk och servrar för distribution till produktion.
• Operationalisera hela maskininlärningsprocessen så att den är reproducerbar och underhållbar.