MLOps for Azure Machine Learning Träningskurs

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till AI-ingenjörer och datavetare på avancerad nivå med erfarenhet på mellanliggande till avancerad nivå som vill förbättra DeepSeek modellprestanda, minimera latenstid och effektivt distribuera AI-lösningar med moderna MLOps metoder.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Optimera DeepSeek modeller för effektivitet, noggrannhet och skalbarhet.
• Implementera bästa metoder för MLOps och versionshantering av modeller.
• Distribuera DeepSeek modeller på moln- och lokala infrastrukturer.
• Övervaka, underhålla och skala AI-lösningar på ett effektivt sätt.

This instructor-led, live training in Sverige (online or onsite) is aimed at intermediate-level to advanced-level professionals who wish to build and deploy AI-powered cloud applications using Microsoft Azure.

By the end of this training, participants will be able to:

• Develop event-driven and serverless applications using Azure Functions.
• Manage Azure storage solutions and virtual machines.
• Deploy and scale web applications using Azure App Service and Docker containers.
• Integrate AI, machine learning, and natural language processing using Azure AI Services.
• Leverage GitHub Copilot to assist in AI-driven cloud application development.

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

Den här utbildningen gör det möjligt för delegaterna att förbättra sina Microsoft Azure färdigheter i lösningsdesign.

Efter denna utbildning kommer delegaten att förstå funktionerna och kapaciteten hos Azure-tjänsterna, för att kunna identifiera kompromisser och fatta beslut för att utforma offentliga och hybrida molnlösningar.

Under träningen definieras lämpliga infrastruktur- och plattformslösningar för att uppfylla de nödvändiga funktions-, drifts- och distributionskraven under lösningens livscykel.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till DevOps ingenjörer, utvecklare och projektledare som vill använda Azure DevOps för att bygga och distribuera optimerade företagsapplikationer snabbare än traditionella utvecklingsmetoder.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå det grundläggande DevOps ordförrådet och principerna.
• Installera och konfigurera nödvändiga Azure DevOps-verktyg för programvaruutveckling.
• Använd Azure DevOps verktyg och tjänster för att kontinuerligt anpassa sig till marknaden.
• Bygg företagsapplikationer och utvärdera aktuella utvecklingsprocesser på Azure DevOps-lösningar.
• Hantera team mer effektivt och påskynda distributionstiden för programvara.
• Anta DevOps utvecklingsmetoder inom organisationen.

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.

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 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 (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.

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.