MLOps kurser och utbildning

MLOps är en uppsättning verktyg och metoder för att kombinera Machine Learning och DevOps praxis. Målet med MLOps är att automatisera och optimera implementeringen och underhållet av ML-system i produktion. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till ingenjörer som vill utvärdera de metoder och verktyg som finns tillgängliga idag för att fatta ett intelligent beslut om vägen framåt i antagandet MLOps inom sin organisation. Vid slutet av denna utbildning kommer deltagarna att kunna:

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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

Kubeflow är en ram för att köra Machine Learning arbetsbelastningar på Kubernetes. TensorFlow är en maskininlärningsbibliotek och Kubernetes är en orkesterplattform för hantering av containerade applikationer. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till en AWS EC2-server. Vid 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 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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

Kubeflow är en ram för att köra Machine Learning arbetsbelastningar på Kubernetes. TensorFlow är en av de mest populära maskininlärningsbiblioteken. Kubernetes är en orkesterplattform för hantering av containerade applikationer. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till Azure molnet. Vid 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 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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

Kubeflow är en ram för att köra Machine Learning arbetsbelastningar på Kubernetes. TensorFlow är en av de mest populära maskininlärningsbiblioteken. Kubernetes är en orkesterplattform för hantering av containerade applikationer. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till Google Cloud Platform (GCP). Vid slutet av denna utbildning kommer deltagarna att kunna:

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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

Kubeflow är en ram för att köra Machine Learning arbetsbelastningar på Kubernetes. TensorFlow är en av de mest populära maskininlärningsbiblioteken. Kubernetes är en orkesterplattform för hantering av containerade applikationer. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till IBM Cloud Kubernetes Service (IKS). Vid slutet av denna utbildning kommer deltagarna att kunna:

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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

Kubeflow är ett verktygsfält för att göra Machine Learning (ML) på Kubernetes lätt, bärbar och skalbar. AWS EKS (Elastic Kubernetes Service) är en Amazon-hanterad tjänst för att köra Kubernetes på AWS. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till utvecklare och datavetenskapsmän som vill bygga, distribuera och hantera maskininlärningsarbetsflöden på Kubernetes. Vid slutet av denna utbildning kommer deltagarna att kunna:

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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

Kubeflow är ett ramverk för att köra Machine Learning arbetsbelastningar på Kubernetes. TensorFlow är en av de mest populära maskininlärningsbiblioteken. Kubernetes är en orkestratisk plattform för hantering av containerade applikationer. OpenShift är en molnapplikationsutvecklingsplattform som använder Docker containrar, organiserade och hanterade av Kubernetes, på grundval av Red Hat Enterprise Linux. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till en OpenShift on-premise eller hybrid moln.

Vid slutet av denna utbildning kommer deltagarna att kunna: Ställ in och konfigurera Kubeflow och Kubeflow på en Kubeflow kluster. Använd OpenShift för att förenkla arbetet med att initialisera en Kubernetes kluster. 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. Ring offentliga molntjänster (t.ex. AWS-tjänster) från insidan OpenShift för att utöka en ML-ansökan.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

Kubeflow är ett verktygsfält för att göra Machine Learning (ML) på Kubernetes lätt, bärbar och skalbar. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till utvecklare och datavetenskapsmän som vill bygga, distribuera och hantera maskininlärningsarbetsflöden på Kubernetes. Vid slutet av denna utbildning kommer deltagarna att kunna:

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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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

MLflow är en öppen källa plattform för att effektivisera och hantera maskininlärningens livscykel. Det stöder någon ML (maskinlärning) bibliotek, algoritm, implementeringsverktyg eller språk. Lägg till MLflow i din befintliga ML-kod för att dela koden över alla ML-bibliotek som används inom din organisation. Denna instruktörledda, live-utbildning (online eller on-site) riktar sig till data forskare som vill gå utöver att bygga ML-modeller och optimera ML-modellskapande, spårning och implementeringsprocess. Vid slutet av denna utbildning kommer deltagarna att kunna:

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.

Format för kursen

Interaktiv föreläsning och diskussion. Många övningar och övningar. Hand-on implementering i en live-lab miljö.

Kursanpassningsalternativ

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