MLOps: CI/CD för maskininlärning Träningskurs

Denna kurs är utformad för deltagare som är engagerade i design, implementering och hantering av DevOps-deployerpipelines och verktygskedjor som stöder kontinuerlig integration (CI), kontinuerlig leverans (CD), kontinuerlig testning och potentiellt kontinuerlig distribution. Kursen framhåller de underliggande processerna, mätvärdena, API:erna och kulturella överväganden med kontinuerlig leverans

Lär dig hur du optimerar testningen, testar snabbare och ändå får bra kvalitet och ett konsekvent stabilt resultat.

Lär dig vad DevOps Engineering är, varför DevOps engineering är viktigt och hur DevOps utformas för framgång.

Kursen börjar med en kort genomgång av DevOps grundläggande principer och övergår sedan till att implementera DevOps. Den är utformad ur ett ingenjörsperspektiv och täcker ämnen som DevOps i relation till andra ramverk, teknologier, applikationsdesignpraxis, kontinuerlig integration, kontinuerlig leverans och distribution, kontinuerlig testning, elastiska infrastrukturer, övervakning, mätvärden, observabilitet, styrning, mänskliga aspekter och framtidens trender inom DevOps engineering.

Grundkursen 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.

Kursen lyfter fram de mänskliga dynamikerna i kulturell förändring och rustar deltagare med praktiker, metoder och verktyg för att engagera människor över hela DevOps-spektrumet genom användning av verkliga scenarier och fallstudier. Efter kursens slutförande kommer deltagarna att ha konkreta resultat att utnyttja när de återvänder till kontoret, som förståelse för Value Stream Mapping.

En introduktion till principer, metoder och verktyg för hantering av värdeflöden. Utformad för att optimera värdeflöde och realisering i digitala värdeflöden och utveckla individers kompetens. Digitala värdeflöden inkluderar mjukvaruapplikationer och tjänster utöver de plattformar som stöder dem, t.ex. molninfrastruktur eller DevOps verktygskedjor

Kursämnen 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.

DevSecOps 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.

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.

Detta instruktörsledda, liveutbildning i Sverige (online eller på plats) riktas till ingenjörer som vill distribuera maskininlärningsarbetsbelastningar till en AWS EC2-server.

Genom denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Kubernetes, Kubeflow och andra nödvändiga programvara på AWS.
• Använda EKS (Elastic Kubernetes Service) för att förenkla initieringen av en Kubernetes-kluster på AWS.
• Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
• Traffa 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.

Detta instruktörsguidade, live-träning i Sverige (online eller lokalt) är riktat till ingenjörer som vill distribuera maskininlärningsarbetsbelastningar till Azure-molnet.

När denna träningsperiod är avslutad kommer deltagarna att kunna:

• Installera och konfigurera Kubernetes, Kubeflow och annan behövlig mjukvara på Azure.
• Använda Azure Kubernetes Service (AKS) för att förenkla initialiseringen av en Kubernetes-kluster på Azure.
• Skapa och distribuera en Kubernetes-pipeline för att automatisera och hantera ML-modeller i produktion.
• Traffa och distribuera TensorFlow ML-modeller över flera GPUs och maskiner som körs parallellt.
• Utnyttja andra AWS-hanterade tjänster för att utöka en ML-applikation.

Kubeflow är en öppen källkodsplattform som är utformad för att förenkla byggen, träningen och distributionen av maskininlärningsarbetsbelastningar på Kubernetes.

Detta instruktörsvägledade, liveutbildning (online eller på plats) är riktat till nybörjare- till mellannivåprofessionella som vill bygga pålitliga ML-arbetsflöden med Kubeflow.

När denna utbildning är avslutad kommer deltagarna att ha fått färdigheterna för att:

• Navigera Kubeflows ekosystem och kärnkomponenter.
• Bygga reproducerbara arbetsflöden med Kubeflow Pipelines.
• Kör skalbara träningsjobb på Kubernetes.
• Distribuera maskininlärningsmodeller effektivt med Kubeflow Serving.

Kursformat

• Guidade presentationer och samarbetsdiskussioner.
• Handson-laborationer med verkliga Kubeflow-komponenter.
• Praktiska övningar för att bygga slutna ML-arbetsflöden.

Kursanpassningsalternativ

• Anpassade versioner av denna utbildning kan arrangeras för att anpassa sig efter din teams teknologistack och projektbehov.

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 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.

SRE (Site Reliability Engineering) Foundations-kursen är en introduktion till principerna och praktikerna som möjliggör för en organisation att på ett pålitligt och ekonomiskt hållbart sätt skala viktiga tjänster. Att införa en aspekt av platsreliabilitet kräver organisatoriska omstruktureringar, ny fokus på teknik och automatisering samt antagande av nya arbetsparadigm.