Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare som vill gå längre än att bygga ML-modeller och optimera skapandet, spårningen och distributionsprocessen för ML-modeller.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera MLflow och relaterade ML-bibliotek och ramverk.
• Uppskatta vikten av spårbarhet, reproducerbarhet och distribuerbarhet av en ML-modell
• Distribuera ML-modeller till olika offentliga moln, plattformar eller lokala servrar.
• Skala ML-distributionsprocessen så att den rymmer flera användare som samarbetar i ett projekt.
• Konfigurera ett centralt register för att experimentera med, återskapa och distribuera ML-modeller.

Den här instruktörsledda, live-utbildningen i Sverige (online eller på plats) riktar sig till utvecklare som vill lära sig att skapa mikrotjänster på Microsoft Azure Service Fabric (ASF).

I slutet av denna utbildning kommer deltagarna att kunna:

• Använd ASF som en plattform för att skapa och hantera mikrotjänster.
• Förstå viktiga begrepp och modeller för mikrotjänstprogrammering.
• Skapa ett kluster i Azure.
• Distribuera mikrotjänster lokalt eller i molnet.
• Felsöka och felsöka ett live-mikrotjänstprogram.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till en AWS EC2-server.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på AWS.
• Använd EKS (Elastic Kubernetes Service) för att förenkla arbetet med att initiera ett Kubernetes-kluster på AWS.
• Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
• Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
• Utnyttja andra AWS-hanterade tjänster för att utöka en ML-applikation.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till Google Cloud Platform (GCP).

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på GCP och GKE.
• Använd GKE (Kubernetes Kubernetes Engine) för att förenkla arbetet med att initiera ett Kubernetes-kluster på GCP.
• Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
• Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
• Utnyttja andra GCP-tjänster för att utöka en ML-applikation.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till IBM Cloud Kubernetes Service (IKS).

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på IBM Cloud Kubernetes Service (IKS).
• Använd IKS för att förenkla arbetet med att initiera ett Kubernetes-kluster på IBM Cloud.
• Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
• Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
• Utnyttja andra IBM Cloud-tjänster för att utöka en ML-applikation.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill utvärdera de metoder och verktyg som finns tillgängliga idag för att fatta ett intelligent beslut om vägen framåt för att införa MLOps inom sin organisation.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera olika MLOps ramverk och verktyg.
• Sätt ihop rätt typ av team med rätt kompetens för att konstruera och stödja ett MLOps system.
• Förbereda, validera och versionshantera data för användning av ML-modeller.
• Förstå komponenterna i en ML Pipeline och de verktyg som behövs för att skapa en.
• Experimentera med olika ramverk för maskininlärning och servrar för distribution till produktion.
• Operationalisera hela Machine Learning-processen så att den kan återskapas och underhållas.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till maskininlärningsingenjörer som vill använda Azure Machine Learning och Azure DevOps för att underlätta MLOps metoder.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa reproducerbara arbetsflöden och maskininlärningsmodeller.
• Hantera livscykeln för maskininlärning.
• Spåra och rapportera modellens versionshistorik, tillgångar med mera.
• Distribuera produktionsklara maskininlärningsmodeller var som helst.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill skapa, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubeflow på plats och i molnet med hjälp av AWS EKS (Elastic Kubernetes Service).
• Skapa, distribuera och hantera ML-arbetsflöden baserat på Docker containrar och Kubernetes.
• Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
• Använda Kubeflow för att skapa och hantera Jupyter Notebooks.
• Skapa ML-träning, justering av hyperparametrar och hantering av arbetsbelastningar på flera plattformar.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill skapa, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubeflow lokalt och i molnet.
• Skapa, distribuera och hantera ML-arbetsflöden baserat på Docker containrar och Kubernetes.
• Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
• Använda Kubeflow för att skapa och hantera Jupyter Notebooks.
• Skapa ML-träning, justering av hyperparametrar och hantering av arbetsbelastningar på flera plattformar.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till ett OpenShift lokalt eller hybridmoln.

• I slutet av denna utbildning kommer deltagarna att kunna:
• Installera och konfigurera Kubernetes och Kubeflow på ett OpenShift-kluster.
• Använd OpenShift för att förenkla arbetet med att initiera ett Kubernetes-kluster.
• Skapa och distribuera en Kubernetes pipeline för att automatisera och hantera ML-modeller i produktion.
• Träna och distribuera TensorFlow ML-modeller över flera GPUs och datorer som körs parallellt.
• Anropa offentliga molntjänster (t.ex. AWS-tjänster) inifrån OpenShift för att utöka ett ML-program.

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till ingenjörer som vill använda Azure ML:s dra-och-släpp-plattform för att distribuera Machine Learning arbetsbelastningar utan att behöva köpa programvara och maskinvara och utan att behöva oroa sig för underhåll och distribution.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skriv mycket exakta maskininlärningsmodeller med hjälp av Python, R eller nollkodsverktyg.
• Utnyttja Azure:s tillgängliga datauppsättningar och algoritmer för att träna och spåra maskininlärnings- och djupinlärningsmodeller.
• Använd Azures interaktiva arbetsyta för att tillsammans utveckla ML-modeller.
• Välj mellan olika ML-ramverk som stöds Azure, till exempel PyTorch, TensorFlow och scikit-learn.

Microsoft Azure Infrastruktur och distribution