MLOps: CI/CD for Machine Learning Träningskurs
MLOps är en uppsättning verktyg och metoder för att kombinera Machine Learning och DevOps metoder. Målet med MLOps är att automatisera och optimera distributionen och underhållet av ML-system i produktion.
Denna instruktörsledda, liveutbildning (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 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.
Kursens upplägg
- Interaktiv föreläsning och diskussion.
- Massor av övningar och övning.
- Praktisk implementering i en live-labbmiljö.
Alternativ för anpassning av kurser
- För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.
Kursplan
Införandet
- Machine Learning Modeller jämfört med traditionell programvara
Översikt över arbetsflödet DevOps
Översikt över arbetsflödet Machine Learning
ML som kod plus data
Komponenter i ett ML-system
Fallstudie: En försäljningsapplikation Forecasting
Accessing av data
Validera data
Dataomvandling
Från datapipeline till ML-pipeline
Skapa datamodellen
Träna modellen
Validera modellen
Återskapa modellträning
Distribuera en modell
Betjäna en tränad modell till produktion
Testa ett ML-system
Orkestrering av kontinuerlig leverans
Övervaka modellen
Versionshantering av data
Anpassa, skala och underhålla en MLOps plattform
Felsökning
Sammanfattning och slutsats
Krav
- En förståelse för mjukvaruutvecklingscykeln
- Erfarenhet av att bygga eller arbeta med Machine Learning modeller
- Förtrogenhet med Python programmering
Publik
- ML-ingenjörer
- DevOps Ingenjörer
- Datatekniker
- Ingenjörer inom infrastruktur
- Mjukvaruutvecklare
Open Training Courses require 5+ participants.
MLOps: CI/CD for Machine Learning Träningskurs - Booking
MLOps: CI/CD for Machine Learning Träningskurs - Enquiry
MLOps: CI/CD for Machine Learning - Consultancy Enquiry
Vittnesmål (3)
arbeta med DevOps Toolchain
Kesh - Vodacom
Kurs - DevOps Foundation®
Machine Translated
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - 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™
Kurs - Kubeflow
Upcoming Courses
Relaterade Kurser
MLflow
21 timmarDenna 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.
Kubeflow
35 timmarDen 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.
Kubeflow on AWS
28 timmarDenna 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.
Kubeflow on Azure
28 timmarDenna 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.
Kubeflow on GCP
28 timmarDenna 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.
Kubeflow on IBM Cloud
28 timmarDenna 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.
Kubeflow on OpenShift
28 timmarDenna 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
Kubeflow Fundamentals
28 timmarDen 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.
AI Automation with n8n and LangChain
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare och IT-proffs på alla nivåer som vill automatisera uppgifter och processer med hjälp av AI utan att skriva omfattande kod.
I slutet av denna utbildning kommer deltagarna att kunna:
- Designa och implementera komplexa arbetsflöden med hjälp av n8n:s visuella programmeringsgränssnitt.
- Integrera AI-funktioner i arbetsflöden med hjälp av LangChain.
- Bygg anpassade chatbots och virtuella assistenter för olika användningsfall.
- Utför avancerad dataanalys och bearbetning med AI-agenter.
n8n for Beginners
7 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till affärsmän på nybörjarnivå och IT-entusiaster som vill lära sig grunderna i n8n för att automatisera uppgifter och processer.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå grunderna i n8n och dess nodbaserade gränssnitt.
- Konfigurera och konfigurera n8n.
- Skapa enkla arbetsflöden för att automatisera uppgifter.
- Anslut olika tjänster och applikationer med n8n.
Building AI Workflows in n8n
14 timmarDenna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till utvecklare på mellannivå till avancerad nivå och AI-hobbyister som vill skapa avancerade AI-arbetsflöden i n8n.
I slutet av denna utbildning kommer deltagarna att kunna:
- Förstå integreringen av AI-tjänster med n8n-arbetsflöden.
- Implementera AI-drivet beslutsfattande i automatiserade processer.
- Skapa anpassade AI-noder och använd förbyggda AI-noder i n8n.
- analysera och optimera prestanda för AI-arbetsflöden.
DevOps Foundation®
14 timmarGrundkursen DevOps ger en grundläggande förståelse för viktig DevOps-terminologi för att säkerställa att alla talar samma språk och belyser fördelarna med DevOps för att stödja organisationens framgång.
DevSecOps Foundation (DSOF)®
14 timmarKursämnen som tas upp är bland annat hur DevSecOps ger affärsvärde, förbättrar dina affärsmöjligheter och förbättrar företagsvärdet. De grundläggande DevSecOps-principerna som lärs ut kan stödja en organisationsomvandling, öka produktiviteten, minska riskerna och optimera resursanvändningen.
DevOps Leader (DOL)®
14 timmarKursen belyser den mänskliga dynamiken i kulturell förändring och utrustar deltagarna med metoder, metoder och verktyg för att engagera människor över hela DevOps spektrumet genom användning av verkliga scenarier och fallstudier. Efter avslutad kurs kommer deltagarna att ha konkreta takeaways att utnyttja när de är tillbaka på kontoret, till exempel att förstå värdeflödeskartläggning.
DevSecOps Practitioner (DSOP)®
21 timmarDevSecOps Practitioner introducerar en rad metoder för att gå vidare till en mer omfattande förståelse av DevSecOps-metoder. Utforska praktiska resultat genom att hitta rätt blandning av människor, skapa processer för att öka värdet och jämföra tekniska alternativ som finns tillgängliga idag. Skräddarsytt för nyligen transformerade organisationer som vill förbättra DevSecOps-färdigheter och medvetenhet.