MLOps för 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.

Denna utbildning ger deltagarna möjlighet att förbättra sina färdigheter i design av Microsoft Azure-lösningar.

Efter denna utbildning kommer deltagaren att förstå funktionerna och förmågorna i Azures tjänster, vilket gör det möjligt att identifiera kompromisser och ta beslut om design av offentliga och hybridmolnlösningar.

Under utbildningen kommer lämpliga infrastruktur- och plattformslösningar för att uppfylla de funktionella, operativa och distributionskraven genom lösningens livscykel att definieras.

Denna instruktörsguidade, liveutbildning i Sverige (online eller på plats) är riktad till utvecklare som vill lära sig hur man bygger mikrotjänster med Microsoft Azure Service Fabric (ASF).

När denna utbildning avslutas kommer deltagarna att kunna:

• Använda ASF som en plattform för att bygga och hantera mikrotjänster.
• Förstå viktiga begrepp och modeller inom mikrotjänstprogrammering.
• Skapa ett kluster i Azure.
• Distribuera mikrotjänster lokalt eller i molnet.
• Felsöka en live mikrotjänstapplikation.

Azure Bot Service kombinerar kraften i Microsoft Bot Framework och Azure funktioner för att möjliggöra snabb utveckling av intelligenta bots.

I denna instruktörsledda, liveträning, kommer deltagarna att lära sig hur man enkelt kan skapa en intelligent bot med Microsoft Azure

I slutet av denna träning kommer deltagarna att kunna:

• Lära sig grunderna i intelligenta bots
• Lära sig hur man skapar intelligenta bots med hjälp av molnutveckling
• Förstå hur man använder Microsoft Bot Framework, Bot Builder SDK och Azure Bot Service
• Förstå hur man designar bots med hjälp av botmönster
• Utveckla sin första intelligenta bot med Microsoft Azure

Publik

• Utvecklare
• Hobbyister
• Ingenjörer
• IT-professionella

Kursformat

• Dels föreläsning, dels diskussion, övningar och mycket praktisk övning

I denna handledda, live-utbildning på plats eller på distans kommer deltagarna att lära sig grundläggande begrepp, komponenter och tjänster för Microsoft Azure medan de går igenom skapandet av en exempelapplikation i molnet.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i Microsoft Azure
• Förstå de olika Azure verktygen och tjänsterna
• Lära sig hur man använder Azure för att bygga molnapplikationer

Internet of Things (IoT) är en nätverksinfrastruktur som kopplar samman fysiska objekt och mjukvaruapplikationer trådlöst, vilket gör att de kan kommunicera med varandra och utbyta data via nätverkskommunikation, molntjänster och datainsamling. Azure är en omfattande uppsättning molntjänster som erbjuder en IoT-svit som består av förkonfigurerade lösningar som hjälper utvecklare att påskynda utvecklingen av IoT-projekt.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man utvecklar IoT-applikationer med hjälp av Azure.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i IoT-arkitektur
• Installera och konfigurera Azure IoT Suite
• Lär dig fördelarna med att använda Azure för att programmera IoT-system
• Implementera olika Azure IoT-tjänster (IoT Hub, Functions, Stream Analytics, Power BI, Cosmos DB, DocumentDB, IoT-enhet Management)
• Skapa, testa, distribuera och felsöka ett IoT-system med hjälp av Azure

Publik

• Utvecklare
• Ingenjörer

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Not

• För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att ordna.

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.

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.

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.

I den här instruktörsledda, live-utbildningen i Sverige (online eller på plats) får deltagarna lära sig hur man konfigurerar och hanterar en containermiljö i produktionsskala med hjälp av Kubernetes på AKS. 

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera och hantera Kubernetes på AKS.
• Distribuera, hantera och skala ett Kubernetes kluster.
• Distribuera containerbaserade program (Docker) på Azure.
• Migrera en befintlig Kubernetes miljö från en lokal plats till AKS-molnet.
• Integrera Kubernetes med programvara för kontinuerlig integrering (CI) från tredje part.
• Säkerställ hög tillgänglighet och haveriberedskap i Kubernetes.

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 på plats eller online vänder sig till ingenjörer som vill utvärdera de tillvägagångssätt och verktyg som finns tillgängliga idag för att fatta ett intelligent beslut om framtiden för att anamma MLOps inom sin organisation.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera olika MLOps-ramverk och verktyg.
• Samla ett team med rätt färdigheter för att bygga och stödja ett MLOps-system.
• Förbereda, validera och versionera data för användning av ML-modeller.
• Förstå komponenterna i en ML-Pipeline och de verktyg som behövs för att bygga en sådan.
• Experimentera med olika maskininlärningsramverk och servrar för distribution till produktion.
• Operativisera hela maskininlärningsprocessen så att den är reproducerbar och underhållbar.