Kubeflow on Azure 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.

Ez az oktató vezetésű, élő képzés Magyarország (online vagy helyszíni) formában közép- és felsőfokú szakemberek számára készült, akik mesterséges intelligencia alapú felhőalkalmazásokat szeretnének építeni és üzembe helyezni a Microsoft Azure segítségével.

A képzés végén a résztvevők képesek lesznek:

• Eseményvezérelt és szerver nélküli alkalmazásokat fejleszteni a Azure Functions segítségével.
• A Azure tárhelymegoldásait és virtuális gépeit kezelni.
• Webalkalmazásokat üzembe helyezni és skálázni a Azure App Service és a Docker konténerek segítségével.
• Mesterséges intelligenciát, gépi tanulást és természetes nyelvfeldolgozást integrálni a Azure AI Services segítségével.
• A GitHub Copilot segítségével támogatni a mesterséges intelligencia alapú felhőalkalmazások fejlesztését.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik az Azure ML drag-and-drop platformját szeretnék használni Machine Learning munkaterhelések telepítéséhez anélkül, hogy szoftvert és hardvert kellene vásárolniuk, és anélkül, hogy szükségük lenne rájuk. aggódni a karbantartás és a telepítés miatt.

A képzés végére a résztvevők képesek lesznek:

• Írjon rendkívül pontos gépi tanulási modelleket Python, R vagy nullakód eszközökkel.
• Használja ki a Azure elérhető adatkészleteit és algoritmusait a gépi tanulás és a mélytanulási modellek betanításához és nyomon követéséhez.
• Használja a Azure interaktív munkaterületét az ML modellek közös fejlesztéséhez.
• Válasszon a különböző Azure által támogatott ML keretrendszerek közül, mint például a PyTorch, TensorFlow és a scikit-learn.

Microsoft Azure Infrastruktúra és telepítés

Ez a képzés lehetővé teszi a küldöttek számára, hogy fejlesszék Microsoft Azure megoldástervezési készségeiket.

A képzés után a delegált megismeri a Azure szolgáltatások jellemzőit és képességeit, hogy képes legyen felismerni a kompromisszumokat, és döntéseket hozni a nyilvános és hibrid felhőmegoldások tervezésére vonatkozóan.

A képzés során meghatározzák azokat a megfelelő infrastrukturális és platformmegoldásokat, amelyek megfelelnek a szükséges funkcionális, működési és telepítési követelményeknek a megoldás életciklusa során.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a DevOps mérnököknek, fejlesztőknek és projektmenedzsereknek szól, akik az Azure-t DevOps szeretnék használni a hagyományos fejlesztési megközelítéseknél gyorsabb optimalizált vállalati alkalmazások létrehozására és üzembe helyezésére.

A képzés végére a résztvevők képesek lesznek:

• Az alapvető DevOps szókincs és elvek megértése.
• Telepítse és konfigurálja a szoftverfejlesztéshez szükséges Azure DevOps-eszközöket.
• Használja az Azure DevOps eszközeit és szolgáltatásokat a piachoz való folyamatos alkalmazkodáshoz.
• Készítsen vállalati alkalmazásokat, és értékelje a jelenlegi fejlesztési folyamatokat az Azure DevOps megoldásokon.
• A csapatok hatékonyabb kezelése és a szoftvertelepítési idő felgyorsítása.
• Alkalmazzon DevOps fejlesztési gyakorlatokat a szervezeten belül.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak szól, akik a Azure Machine Learning segítségével szeretnék teljes körű gépi tanulási modelleket készíteni prediktív elemzéshez.

A képzés végére a résztvevők képesek lesznek:

• Készítsen gépi tanulási modelleket nulla programozási tapasztalattal.
• Hozzon létre prediktív algoritmusokat a Azure Machine Learning segítségével.
• Telepítsen üzemkész gépi tanulási algoritmusokat.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnék megtanulni, hogyan lehet mikroszolgáltatásokat építeni Microsoft Azure Service Fabric-en (ASF).

A képzés végére a résztvevők képesek lesznek:

• Használja az ASF-et platformként mikroszolgáltatások létrehozásához és kezeléséhez.
• Ismerje meg a legfontosabb mikroszolgáltatások programozási koncepcióit és modelljeit.
• Hozzon létre egy klasztert a Azure-ban.
• Telepítse a mikroszolgáltatásokat a helyszínen vagy a felhőben.
• Hibakeresés és hibaelhárítás egy élő mikroszolgáltatási alkalmazásban.

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 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.

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 (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 az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik szeretnék értékelni a ma rendelkezésre álló megközelítéseket és eszközöket, hogy intelligens döntést hozzanak a MLOps bevezetése felé vezető úton a szervezetükön belül.

A képzés végére a résztvevők képesek lesznek:

• Különféle MLOps keretrendszerek és eszközök telepítése és konfigurálása.
• Állítsa össze a megfelelő csapatot a megfelelő készségekkel egy MLOps rendszer felépítéséhez és támogatásához.
• Adatok előkészítése, érvényesítése és verziószáma az ML modellek számára.
• Ismerje meg az ML Pipeline összetevőit és a felépítéséhez szükséges eszközöket.
• Kísérletezzen különböző gépi tanulási keretrendszerekkel és szerverekkel az éles üzembe helyezéshez.
• Operacionalizálja a teljes Machine Learning folyamatot, hogy reprodukálható és karbantartható legyen.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak a gépi tanulással foglalkozó mérnököknek szól, akik a Azure Machine Learning és Azure DevOps segítségével szeretnék megkönnyíteni a MLOps gyakorlatokat.

A képzés végére a résztvevők képesek lesznek:

• Készítsen reprodukálható munkafolyamatokat és gépi tanulási modelleket.
• Kezelje a gépi tanulási életciklust.
• Kövesse nyomon és jelentse a modell verzióelőzményeit, eszközöket és egyebeket.
• Telepítse a termelésre kész gépi tanulási modelleket bárhol.