
Online eller på plats, instruktörsledda MLOps-utbildningar visar genom interaktiv praktisk övning hur man använder MLOps-verktyg för att automatisera och optimera driftsättning och underhåll av ML-system i produktionen. MLOps-träning är tillgänglig som "online live-träning" eller "live-träning på plats". Liveträning online (alias "fjärrlivsutbildning") utförs med hjälp av ett interaktivt fjärrskrivbord . Liveträning på plats kan genomföras lokalt i kundlokaler i Sverige eller i NobleProgs företagsutbildningscenter i Sverige. NobleProg -- Din lokala utbildningsleverantör
Machine Translated
MLOps Course Outlines
-
Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på AWS.
Använd EKS (Elastic Kubernetes Service) för att förenkla arbetet med att initiera en Kubernetes kluster på AWS.
Skapa och implementera en Kubernetes rörledning för automatisering och hantering av ML-modeller i produktion.
Utbilda och distribuera TensorFlow ML-modeller över flera GPUs och maskiner som körs parallellt.
Leverera andra AWS hanterade tjänster för att utöka en ML-ansökan.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
-
Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på Azure.
Använd Azure Kubernetes Service (AKS) för att förenkla arbetet med att initialisera en Kubernetes kluster på Azure.
Skapa och implementera en Kubernetes rörledning för automatisering och hantering av ML-modeller i produktion.
Utbilda och distribuera TensorFlow ML-modeller över flera GPUs och maskiner som körs parallellt.
Leverera andra AWS hanterade tjänster för att utöka en ML-ansökan.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
-
Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på GCP och GKE.
Använd GKE (Kubernetes Kubernetes Engine) för att förenkla arbetet med att initialisera en Kubernetes kluster på GCP.
Skapa och implementera en Kubernetes rörledning för automatisering och hantering av ML-modeller i produktion.
Utbilda och distribuera TensorFlow ML-modeller över flera GPUs och maskiner som körs parallellt.
Leverera andra GCP-tjänster för att utöka en ML-ansökan.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
-
Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på IBM Cloud Kubernetes Service (IKS).
Använd IKS för att förenkla arbetet med att initialisera en Kubernetes kluster på IBM Cloud.
Skapa och implementera en Kubernetes rörledning för automatisering och hantering av ML-modeller i produktion.
Utbilda och distribuera TensorFlow ML-modeller över flera GPUs och maskiner som körs parallellt.
Leverera andra IBM Cloud-tjänster för att utöka en ML-applikation.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
-
Installera och konfigurera olika MLOps ramar och verktyg.
Samla rätt typ av team med rätt färdigheter för att bygga och stödja ett MLOps system.
Förbereda, validera och versiondata för användning av ML-modeller.
Förstå komponenterna i en ML Pipeline och de verktyg som behövs för att bygga en.
Experimentera med olika maskininlärningsramar och servrar för att distribuera till produktion.
Operationalisera hela Machine Learning processen så att den's reproducerbar och underhållbar.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
-
Installera och konfigurera Kubeflow på premise och i molnet med hjälp av AWS EKS (Elastic Kubernetes Service).
Bygg, distribuera och hantera ML-arbetsflöden baserat på Docker behållare och Kubernetes.
Kör hela maskininlärningsrör på olika arkitekturer och molnmiljöer.
Använd Kubeflow för att spåra och hantera Jupyter bärbara datorer.
Bygg ML-utbildning, hyperparametrar och serverar arbetsbelastningar på flera plattformar.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
- I slutet av den här utbildningen 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.
- Interaktiv föreläsning och diskussion. Mycket övningar och övningar. Praktisk implementering i en live-lab-miljö.
- För att begära en skräddarsydd utbildning för denna kurs, vänligen kontakta oss för att ordna.
-
Installera och konfigurera Kubeflow på premise och i molnet.
Bygg, distribuera och hantera ML-arbetsflöden baserat på Docker behållare och Kubernetes.
Kör hela maskininlärningsrör på olika arkitekturer och molnmiljöer.
Använd Kubeflow för att spåra och hantera Jupyter bärbara datorer.
Bygg ML-utbildning, hyperparametrar och serverar arbetsbelastningar på flera plattformar.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
För att lära dig mer om Kubeflow, vänligen besök: https://github.com/kubeflow/kubeflow
-
Installera och konfigurera MLflow och relaterade ML-bibliotek och ramverk.
Uppskattar vikten av spårbarhet, reproducerbarhet och implementerbarhet av en ML-modell
Utnyttja ML-modeller till olika offentliga moln, plattformar eller on-premise servrar.
Skala ML-utvecklingsprocessen för att rymma flera användare som samarbetar på ett projekt.
Skapa ett centralt register för att experimentera, reproducera och distribuera ML-modeller.
-
Interaktiv föreläsning och diskussion.
Många övningar och övningar.
Hand-on implementering i en live-lab miljö.
-
För att begära en anpassad utbildning för denna kurs, vänligen kontakta oss för att arrangera.
Last Updated: