Kubeflow az Azure-on Képzés

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a haladó szintű mesterségesintelligencia-mérnököknek és adattudósoknak szól, akik közép-haladó tapasztalattal rendelkeznek, akik szeretnék javítani DeepSeek a modell teljesítményét, minimalizálni a késleltetést és bevezetni az AI-t. megoldásokat hatékonyan a modern MLOps gyakorlatot alkalmazva.

A képzés végére a résztvevők képesek lesznek:

• Optimalizálja az DeepSeek modelleket a hatékonyság, a pontosság és a méretezhetőség érdekében.
• Végezze el a MLOps és a modellverziók bevált gyakorlatait.
• Telepítsen DeepSeek modelleket a felhőben és a helyszíni infrastruktúrában.
• Az AI-megoldások hatékony nyomon követése, karbantartása és méretezése.

Microsoft Azure Infrastruktúra és Üzemeltesztetés

Ez a képzés lehetővé teszi a delegáltak számára, hogy javítsák Microsoft Azure megoldás-tervezési készségeiket.

A képzés végén a delegált meg fogja érteni az Azure-szolgáltatások funkcióit és lehetőségeit, meg tudja azonosítani a kompromisszumokat, és döntéseket hozhat a nyilvános és hibrid felhőalapú megoldások tervezéséhez.

A képzés során meghatározzák az infrastruktúra és platform megfelelő megoldásait, amelyek kielégítik a szükséges funkcionális, műveleti és telepítési követelményeket a megoldás élettartamának során.

Ez a tanár vezetésű, élő képzés Magyarország-ban (online vagy helyszínen) a fejlesztők számára készült, akik szeretnének megtanulni, hogyan építsenek mikroszolgáltatásokat a Microsoft Azure Service Fabric (ASF)-on.

A képzés végén a résztvevők:

• Használhatják az ASF-ot mikroszolgáltatások építésére és kezelésére.
• Tisztában lesznek a mikroszolgáltatások programozási alapelveivel és modelljeivel.
• Létrehozhatnak fürtöt az Azure-ban.
• Beruházhatják a mikroszolgáltatásokat helyszínen vagy felhőben.
• Hibákat tudnak keresni és megoldani egy élő mikroszolgáltatási alkalmazásban.

Az Azure Bot Service kombinálja a Microsoft Bot Framework és az Azure függvények erejét, hogy intelligens botok gyors fejlesztésének lehetővé váljon.

Ez az interaktív, tanárok vezetésű képzés során a résztvevők megtanulhatják, hogyan hozzanak létre intelligens bótot a Microsoft Azure segítségével

A képzés végén a résztvevők képesek lesznek:

• Megérteni az intelligens botok alapjait
• Megtanulni, hogyan hozhatók létre intelligens botok felhőalapú alkalmazásokkal
• Megérteni a Microsoft Bot Framework, a Bot Builder SDK és az Azure Bot Service használatát
• Megérteni, hogyan lehet botokat tervezni bot minták segítségével
• Fejleszteni az első intelligens bótjukat a Microsoft Azure segítségével

Célcsoport

• Fejlesztők
• Hobbyizták
• Mérnökök
• IT szakemberek

A képzés formája

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorló feladatok

Ez az edző által vezetett élő képzés Magyarország (helyszíni vagy távolsági) során a résztvevők megtanulják a Microsoft Azure alapvető fogalmait, összetevőit és szolgáltatásait egy minta felhőalkalmazás létrehozása során.

A képzés végezetén a résztvevők:

• Megérteni az Azure alapjait
• Megismerni az Azure eszközeit és szolgáltatásait
• Megtanulni, hogyan használható az Azure felhőalkalmazások kifejlesztésére

Internet of Things (IoT) egy hálózati infrastruktúra, amely vezeték nélkül köti össze a fizikai objektumokat és a szoftveralkalmazásokat, lehetővé téve számukra, hogy kommunikáljanak egymással, és hálózati kommunikáción, felhőalapú számítástechnikán és adatrögzítésen keresztül adatokat cseréljenek. A Azure felhőszolgáltatások átfogó készlete, amely előre konfigurált megoldásokból álló IoT Suite-ot kínál, amely segít a fejlesztőknek az IoT-projektek fejlesztésének felgyorsításában.

Ezen az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan fejleszthetnek IoT-alkalmazásokat a Azure segítségével.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az IoT architektúra alapjait
• Telepítse és konfigurálja a Azure IoT Suite-ot
• Ismerje meg a Azure használatának előnyeit az IoT-rendszerek programozásában
• Különféle Azure IoT-szolgáltatások megvalósítása (IoT Hub, Functions, Stream Analytics, Power BI, Cosmos DB, DocumentDB, IoT-eszköz Management)
• IoT-rendszer felépítése, tesztelése, üzembe helyezése és hibaelhárítása a Azure segítségével

Közönség

• Fejlesztők
• Mérnökök

A tanfolyam formátuma

• Rész előadás, részben beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

Jegyzet

• Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek és adattudósoknak szól, akik gépi tanulási munkafolyamatokat szeretnének kiépíteni, telepíteni és kezelni a Kubernetes webhelyen.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja az Kubeflow-et a helyszínen és a felhőben az AWS EKS (Elastic Kubernetes szolgáltatás) segítségével.
• ML munkafolyamatok létrehozása, üzembe helyezése és kezelése Docker tárolók és Kubernetes alapján.
• Futtasson teljes gépi tanulási folyamatot különféle architektúrákon és felhőkörnyezeteken.
• Az Kubeflow használata Jupyter notebookok létrehozásához és kezeléséhez.
• Építsen ML képzést, hiperparaméter-hangolást, és szolgálja ki a munkaterheléseket több platformon.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik Machine Learning munkaterhelést szeretnének telepíteni egy AWS EC2 szerverre.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Kubernetes, Kubeflow és egyéb szükséges szoftvereket az AWS-en.
• Az EKS (Elastic Kubernetes Service) használatával leegyszerűsítheti a Kubernetes-fürt inicializálását az AWS-en.
• Hozzon létre és helyezzen üzembe egy Kubernetes-folyamatot az éles ML-modellek automatizálásához és kezeléséhez.
• Tanítson és telepítsen TensorFlow ML modellt több párhuzamosan futó GPU-n és gépen.
• Használjon más AWS által felügyelt szolgáltatásokat az ML-alkalmazások kiterjesztéséhez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek és adattudósoknak szól, akik gépi tanulási munkafolyamatokat szeretnének kiépíteni, telepíteni és kezelni a Kubernetes webhelyen.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja az Kubeflow-et a helyszínen és a felhőben.
• ML munkafolyamatok létrehozása, üzembe helyezése és kezelése Docker tárolók és Kubernetes alapján.
• Futtasson teljes gépi tanulási folyamatot különféle architektúrákon és felhőkörnyezeteken.
• Az Kubeflow használata Jupyter notebookok létrehozásához és kezeléséhez.
• Építsen ML képzést, hiperparaméter-hangolást, és szolgálja ki a munkaterheléseket több platformon.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban (online vagy helyszíni) a résztvevők megtanulják, hogyan állíthatnak be és kezelhetnek termelési méretű konténerkörnyezetet a Kubernetes segítségével az AKS-en.

A képzés végére a résztvevők képesek lesznek:

• A Kubernetes konfigurálása és kezelése az AKS-en.
• Telepítsen, kezeljen és méretezzön Kubernetes fürtöt.
• Telepítsen konténeres (Docker) alkalmazásokat a Azure-on.
• Meglévő Kubernetes környezet áttelepítése helyszíniről AKS felhőbe.
• Integrálja a Kubernetes-t harmadik féltől származó folyamatos integrációs (CI) szoftverrel.
• Biztosítsa a magas rendelkezésre állást és a katasztrófa utáni helyreállítást a Kubernetes alkalmazásban.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak szól, akik túl szeretnének menni az ML-modellek építésén, és optimalizálni szeretnék az ML-modell létrehozási, nyomon követési és telepítési folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a MLflow-t és a kapcsolódó ML könyvtárakat és keretrendszereket.
• Értékelje az ML modell nyomon követhetőségének, reprodukálhatóságának és telepíthetőségének fontosságát
• Telepítsen ML modelleket különböző nyilvános felhőkre, platformokra vagy helyszíni kiszolgálókra.
• Méretezheti az ML-telepítési folyamatot, hogy több felhasználó is alkalmazkodjon egy projekten.
• Állítson be egy központi nyilvántartást az ML-modellek kísérletezéséhez, reprodukálásához és üzembe helyezéséhez.

Ez oktatói vezetett, élő képzés (online vagy helyszínen) azokra a mérnökökre céloz, akik értékelni szeretnék a mai nap rendelkezésre álló MLOps megközelítéseit és eszközeit, hogy intelligens döntést hozzanak az MLOps átvételéről az organizációjukban.

Ezen képzés végére a résztvevők képesek lesznek:

• Többféle MLOps keretrendszert és eszközt telepíteni és konfigurálni.
• Az MLOps rendszer létrehozásához és támogatásához szükséges megfelelő csapat összeállítására és kiképzésére.
• Adatokat felkészíteni, ellenőrizni és verziókönyvelni az ML modellek használatához.
• Az ML Pipeline komponenseit és az egyik építéséhez szükséges eszközöket megérteni.
• Különböző gépi tanulási keretrendszerekkel és szerverekkel kísérletezni a termeléshez történő telepítéshez.
• Az egész Machine Learning folyamatot operatívvá tenni úgy, hogy ismétlődhető és karbantartható legyen.

Ez oktatóvezetett, élő képzés (online vagy helyszíni) azokon a gépi tanulási mérnökökre célozik, akik az Azure Machine Learning és Azure DevOps használatával szeretnék az MLOps gyakorlatokat elősegíteni.

A képzés végén a résztvevők képesek lesznek:

• Ismétlődő munkafolyamatokat és gépi tanulási modelleket építeni.
• Kezelni a gépi tanulás élettartamát.
• Nyomon követni és jelenteni a modell verziótörténetet, erőforrásokat és többet.
• Production-ready gépi tanulási modelleket telepíteni bármelyik helyre.