MLOps på Kubernetes: CI/CD-pipeliner för maskininlärning 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.

DO180 är en introduktion till containrar, grundläggande koncept för Kubernetes och Red Hat OpenShift-plattformen med fokus på praktiska färdigheter.

Denna ledda träning (online eller på plats) vänder sig till tekniska yrkesverksamma på nybörjarnivå till mellan-nivå som vill lära sig containerarbetssätt, Kubernetes-primitiver och hur man distribuerar och drifter applikationer på OpenShift.

Vid slutet av denna träning kommer deltagarna att kunna:

• Skapa och hantera containerbilder och register med bästa praxis för återupprepbarhet och säkerhet.
• Distribuera och hantera Kubernetes-objekt såsom pods, deployments och tjänster i OpenShift.
• Använda OpenShift-funktioner inklusive rutter, buildconfigs och webbläsarkonsolen för att effektivisera leverans av applikationer.
• Implementera persistent lagring, konfigurationshantering och hantering av hemligheter för statiska arbetsbelastningar.
• Tillämpa grundläggande säkerhets-, RBAC- och övervakningspraxis för att upprätthålla hälsosamma kluster och applikationer.

Kursformat

• Interaktiv föreläsning och diskussion.
• Praktiska laborationer i en levande OpenShift-miljö varje dag.
• Scenariodrivna övningar och felsökningsverkstäder.

Anpassningsalternativ för kursen

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

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) är riktad till ingenjörer som vill använda Helm för att förenkla processen med att installera och hantera Kubernetes-applikationer.

Efter denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Helm.
• Skapa återproducerbara byggen av Kubernetes-applikationer.
• Dela applikationer som Helm-diagram.
• Köra tredjepartsapplikationer sparade som Helm-diagram.
• Hantera utgåvor av Helm-paket.

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, live-utbildning i Sverige (online eller på plats) riktar sig till mjukvaruutvecklare på nybörjarnivå till mellannivå och DevOps proffs som vill lära sig att konfigurera och hantera en lokal Kubernetes miljö med Minikube.

I slutet av denna utbildning kommer deltagarna att kunna:

• Installera och konfigurera Minikube på den lokala datorn.
• Förstå de grundläggande begreppen och arkitekturen i Kubernetes.
• Distribuera och hantera containrar med hjälp av kubectl och Minikube-instrumentpanelen.
• Konfigurera beständiga lagrings- och nätverkslösningar för Kubernetes.
• Använd Minikube för att utveckla, testa och felsöka applikationer.

Denna instruktörsledda, live-utbildning i Sverige (online eller på plats) riktar sig till utvecklare på mellannivå och DevOps ingenjörer som vill använda Minikube som en del av sitt utvecklingsarbetsflöde.

I slutet av denna utbildning kommer deltagarna att kunna:

• Konfigurera och hantera en lokal Kubernetes miljö med Minikube.
• Förstå hur du distribuerar, hanterar och felsöker program på Minikube.
• Integrera Minikube i deras pipelines för kontinuerlig integrering och distribution.
• Optimera deras utvecklingsprocess med hjälp av Minikubes avancerade funktioner.
• Tillämpa metodtips för lokal Kubernetes utveckling.

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 handledareledd, live-träning i Sverige (online eller på plats) riktas till ingenjörer som vill utvärdera de tillgängliga metoderna och verktygen idag för att fatta ett intelligent beslut om vägen framåt vid införandet av MLOps inom deras organisation.

Vid slutet av denna träning kommer deltagarna att kunna:

• Installera och konfigurera olika MLOps-ramverk och verktyg.
• Sätta ihop rätt typ av team med de rätta kompetenserna för att konstruera och stödja ett MLOps-system.
• Förbereda, validera och versionera data för användning av ML-modeller.
• Fatta känsla för 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.
• Operationalisera hela maskininlärningsprocessen så att den är reproducerbar och underhållbar.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till maskininlärningsingenjörer som vill använda Azure Machine Learning och Azure DevOps för att underlätta MLOps-praxis.

Efter den här träningen kommer deltagarna att kunna:

• Bygga reproducerbara arbetsflöden och maskininlärningsmodeller.
• Hantera maskininlärningslivscykeln.
• Spåra och rapportera modellversionshistoria, tillgångar och mer.
• Distribuera produktionsklara maskininlärningsmodeller var som helst.