Kubeflow on GCP Träningskurs

Denna instruktörsledda, liveutbildning i (online eller på plats) riktar sig till datavetare som vill gå längre än att bygga ML-modeller och optimera ML-modellskapande, spårning och implementeringsprocessen.

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 utplacerbarhet för en ML-modell
• Distribuera ML-modeller till olika offentliga moln, plattformar eller lokala servrar.
• Skala ML-distributionsprocessen för att rymma flera användare som samarbetar i ett projekt.
• Skapa ett centralt register för att experimentera med, reproducera och distribuera ML-modeller.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill utvärdera de tillvägagångssätt och verktyg som finns tillgängliga idag för att fatta ett intelligent beslut på vägen framåt för att anta 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.
• Förbered, validera och versionsdata för användning av ML-modeller.
• Förstå komponenterna i en ML Pipeline och de verktyg som behövs för att bygga en.
• Experimentera med olika ramverk för maskininlärning och servrar för distribution till produktion.
• Operationalisera hela Machine Learning-processen så att den är reproducerbar och underhållbar.

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 Azure-molnet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på Azure.
• Använd Azure Kubernetes Service (AKS) för att förenkla arbetet med att initiera ett Kubernetes-kluster på Azure.
• 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 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 utvecklare och datavetare som vill bygga, 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 AWS EKS (Elastic Kubernetes Service).
• Bygg, distribuera och hantera ML-arbetsflöden baserade på Docker-behållare och Kubernetes.
• Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
• Använder Kubeflow för att skapa och hantera Jupyter-anteckningsböcker.
• Bygg ML-träning, justering av hyperparameter och betjäning av arbetsbelastningar på flera plattformar.

Denna instruktörsledda, liveutbildning i (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 automatisering och hantering av ML-modeller i produktion.
• Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
• Ring offentliga molntjänster (t.ex. AWS-tjänster) från OpenShift för att utöka en ML-applikation

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill bygga, 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.
• Bygg, distribuera och hantera ML-arbetsflöden baserade på Docker-behållare och Kubernetes.
• Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
• Använder Kubeflow för att skapa och hantera Jupyter-anteckningsböcker.
• Bygg ML-träning, justering av hyperparameter och betjäning av arbetsbelastningar på flera plattformar.