MLOps Kurs i Uppsala

Denna instruktörsledda, liveträning i Uppsala (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.

MLOps på Kubernetes är ett ramverk för att automatisera tränandet, valideringen, packningen och distributionen av maskininlärningsmodeller med behjälp av containrar och GitOps-arbetsflöden.

Denna handledareledd, liveutbildning (online eller på plats) riktas till mellannivåpraktiker som vill skapa automatiserade, skalbara MLOps-pipeliner på Kubernetes.

Efter att ha avslutat denna utbildning kommer deltagarna att vara rustade för att:

• Utforma slutna CI/CD-pipeliner för maskininlärning.
• Implementera GitOps-arbetsflöden för modelldeploy och versionhantering.
• Automatisera tränandet, testningen och packningen av ML-modeller.
• Integrera övervakning, aviseringar och återställningsstrategier.

Kursformat

• Handledareledda presentationer och tekniska djupdykningar.
• Praktiska övningar som bygger på verkliga CI/CD-arbetsflöden.
• Live-lab övningar för att distribuera ML-uppgifter till Kubernetes.

Kursanpassningsalternativ

• Organisationer kan begära anpassat innehåll som är alignerat med deras interna MLOps-verktyg och infrastruktur.

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.

Docker är en containeriseringsplattform som används för att skapa återproducerbara, portabla och skalbara miljöer för ML-system.

Detta instruktörledda, liveutbildning (online eller på plats) är riktat till tekniska experter med mellan- till avancerad nivå som vill containerisera och driftsätta fullständiga ML-pipelines med Docker.

Vid slutförandet av denna utbildning kommer deltagarna att kunna:

• Containerisera ML-träning, validering och inferensarbetsbelastningar.
• Utforma och orchestrera slut till slut ML-pipelines med Docker och stödjande verktyg.
• Implementera versionshantering, återproducerbarhet och CI/CD för ML-komponenter.
• Distribuera, övervaka och skalera ML-tjänster i containeriserade miljöer.

Kursformat

• Interaktiva föreläsningar som stöds av praktiska demonstrationer.
• Hantverksövningar fokuserade på att bygga riktiga ML-pipelinekomponenter.
• Live-lab-implementation för slut till slut containeriserade arbetsflöden.

Kursanpassningsalternativ

• För anpassad utbildning som är anpassad efter specifika ML-infrastrukturbehov, kontakta oss för att diskutera alternativ.

Den här instruktörsledda, liveutbildningen i Uppsala (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 Uppsala (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 Uppsala (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.

Den här instruktörsledda, liveutbildningen i Uppsala (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 (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 Uppsala (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.