Kubernetes az Azure-on (AKS) Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak a mérnököknek szól, akik az Azure ML drag-and-drop platformját szeretnék használni a gépi tanulási munkaterhelések üzembe helyezéséhez anélkül, hogy szoftvert és hardvert kelljen vásárolniuk, és anélkül, hogy a karbantartás és üzembe helyezés miatt kellene aggódniuk.

A képzés végére a résztvevők képesek lesznek:

• Nagyon pontos gépi tanulási modelleket írni Python, R vagy kód nélküli eszközök használatával.
• Kihasználni az Azure által biztosított adathalmazokat és algoritmusokat a gépi tanulási és mélytanulási modellek tanításához és nyomon követéséhez.
• Az Azure interaktív munkaterületét használni a gépi tanulási modellek együttműködésen alapuló fejlesztéséhez.
• Választani különböző Azure által támogatott ML keretrendszerek közül, mint például a PyTorch, TensorFlow és scikit-learn.

Microsoft Azure Infrastruktúra és Üzembe helyezés

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

A képzés után a résztvevők megértik az Azure szolgáltatások funkcióit és képességeit, képesek lesznek kompromissumokat azonosítani és döntéseket hozni a nyilvános és hibrid felhőalapú megoldások tervezéséhez.

A képzés során meghatározzák a megfelelő infrastrukturális és platformmegoldásokat, amelyek kielégítik a szükséges funkcionális, működési és üzembe helyezési követelményeket a megoldás életciklusa során.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak az adattudósoknak szól, akik az Azure Machine Learninget szeretnék használni végpontok közötti gépi tanulási modellek építéséhez prediktív elemzés céljából.

A képzés végére a résztvevők képesek lesznek:

• Gépi tanulási modelleket építeni programozási tapasztalat nélkül.
• Prediktív algoritmusokat létrehozni az Azure Machine Learning segítségével.
• Termelésre kész gépi tanulási algoritmusokat üzembe helyezni.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak a biztonsági rendszergazdáknak szól, akik az Azure-munkaterhelések biztonságossá tételét szeretnék elérni.

A képzés végére a résztvevők képesek lesznek:

• Gazdagépbiztonság, hálózati biztonság és egyebek kezelése.
• Tárolási és adatbázis-biztonság beállítása az Azure-ban.
• Biztonsági monitorozás implementálása Azure-erőforrások használatával.
• Rosszindulatú kibertámadások megelőzése az adatokra és infrastruktúrákra.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnének megtanulni, hogyan építhetnek microservice-eket a Microsoft Azure Service Fabric (ASF) platformon.

A képzés végére a résztvevők képesek lesznek:

• Az ASF használata microservice-ek építéséhez és kezeléséhez.
• A microservices programozás kulcsfogalmainak és modelljeinek megértése.
• Fürt létrehozása az Azure-ban.
• Microservice-ek üzembe helyezése helyszíni vagy felhő környezetben.
• Élő microservice alkalmazások hibakeresése és hibaelhárítása.

Az Azure Bot Service egyesíti a Microsoft Bot Framework és az Azure funkciók erejét, hogy lehetővé tegye az intelligens botok gyors fejlesztését.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan hozhatnak létre könnyedén intelligens botot a Microsoft Azure segítségével.

A képzés végére a résztvevők képesek lesznek:

• Megismerni az intelligens botok alapjait
• Megtanulni, hogyan hozhatnak létre intelligens botokat felhőalkalmazások használatával
• Megérteni, hogyan használható a Microsoft Bot Framework, a Bot Builder SDK és az Azure Bot Service
• Megérteni, hogyan tervezhetnek botokat bot mintázatok segítségével
• Kifejleszteni az első intelligens botjukat a Microsoft Azure használatával

Közönség

• Fejlesztők
• Hobbisták
• Mérnökök
• IT szakemberek

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati munka

A DO180 egy bevezetés a konténerek, a Kubernetes alapjai és a Red Hat OpenShift platform fogalmaiba, gyakorlati készségekre összpontosítva.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) kezdő és középhaladó szintű szakembereknek szól, akik szeretnének megismerkedni a konténeres munkafolyamatokkal, a Kubernetes alapfogalmaival, valamint az alkalmazások OpenShift-en történő üzembe helyezésével és működtetésével.

A képzés végére a résztvevők képesek lesznek:

• Konténerképek és nyilvántartók létrehozására és kezelésére a reprodukálhatóság és a biztonság legjobb gyakorlatai szerint.
• Kubernetes objektumok, például podok, üzembe helyezések és szolgáltatások üzembe helyezésére és kezelésére OpenShift-en.
• Az OpenShift funkcióinak, például útvonalak, buildconfigs és webkonzol használatára az alkalmazások gyorsabb szállításához.
• Állandó tárterület, konfigurációkezelés és titkos kulcsok kezelésének implementálására állapotalapú munkaterhelésekhez.
• Alapvető biztonsági, RBAC és monitorozási gyakorlatok alkalmazására az egészséges klaszterek és alkalmazások fenntartásához.

A képzés formátuma

• Interaktív előadás és vita.
• Gyakorlati laborok egy élő OpenShift környezetben minden nap.
• Forgatókönyv alapú gyakorlatok és hibaelhárítási workshopok.

Képzés testreszabási lehetőségei

• Ha testreszabott képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak a mérnököknek szól, akik szeretnék a Helm használatával egyszerűsíteni a Kubernetes alkalmazások telepítését és kezelését.

A képzés végére a résztvevők képesek lesznek:

• A Helm telepítése és konfigurálása.
• Reprodukálható Kubernetes alkalmazások létrehozása.
• Alkalmazások megosztása Helm chartok formájában.
• Harmadik féltől származó alkalmazások futtatása Helm chartokként mentve.
• Helm csomagok kiadásainak kezelése.

Ebben az oktató által vezetett, élő képzésben Magyarország (helyszíni vagy távoli) a résztvevők megismerik a Microsoft Azure alapvető fogalmait, összetevőit és szolgáltatásait, miközben egy példa felhőalkalmazás létrehozásán keresztül haladnak.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Microsoft Azure alapjait
• Megismerni a különböző Azure eszközöket és szolgáltatásokat
• Megtanulni, hogyan használható az Azure felhőalkalmazások fejlesztéséhez

Az Internet of Things (IoT) egy hálózati infrastruktúra, amely fizikai objektumokat és szoftveralkalmazásokat vezeték nélkül kapcsol össze, lehetővé téve számukra, hogy kommunikáljanak egymással és adatokat cseréljenek hálózati kommunikáció, felhőszámítás és adatrögzítés segítségével. Az Azure egy átfogó felhőszolgáltatás-készlet, amely egy IoT Suite-et kínál, amely előre konfigurált megoldásokból áll, és segíti a fejlesztőket az IoT projektek gyors fejlesztésében.

Ebben az oktató által vezetett, élő képzésben a résztvevők megtanulják, hogyan fejleszthetnek IoT alkalmazásokat Azure használatával.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az IoT architektúra alapjait
• Telepíteni és konfigurálni az Azure IoT Suite-et
• Megismerni az Azure használatának előnyeit az IoT rendszerek programozásában
• Különböző Azure IoT szolgáltatások implementálása (IoT Hub, Functions, Stream Analytics, Power BI, Cosmos DB, DocumentDB, IoT Device Management)
• IoT rendszer építése, tesztelése, telepítése és hibaelhárítása Azure használatával

Célközönség

• Fejlesztők
• Mérnökök

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati munka

Megjegyzés

• Ha egyedi képzést szeretne kérni ehhez a kurzushoz, kérjük, lépjen kapcsolatba velünk a megbeszélés érdekében.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak a mérnököknek szól, akik gépi tanulási munkaterheléseket szeretnének telepíteni az Azure felhőbe.

A képzés végére a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a Kubernetes, Kubeflow és egyéb szükséges szoftvereket az Azure-on.
• Az Azure Kubernetes Service (AKS) használatával leegyszerűsíteni a Kubernetes klaszter inicializálását az Azure-on.
• Létrehozni és telepíteni egy Kubernetes folyamatot a gépi tanulási modellek automatizálásához és kezeléséhez éles környezetben.
• TensorFlow gépi tanulási modellek betanítására és telepítésére több GPU-n és párhuzamosan futó gépeken.
• Egyéb AWS felügyelt szolgáltatások kihasználásával bővíteni egy gépi tanulási alkalmazást.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) kezdő és középhaladó szintű szoftverfejlesztők és DevOps szakemberek számára készült, akik szeretnének megtanulni, hogyan állíthatnak be és kezelhetnek egy helyi Kubernetes környezetet a Minikube segítségével.

A képzés végén a résztvevők képesek lesznek:

• A Minikube telepítésére és konfigurálására a saját gépen.
• A Kubernetes alapvető fogalmainak és architektúrájának megértésére.
• Tárolók üzembe helyezésére és kezelésére a kubectl és a Minikube irányítópult segítségével.
• Állandó tárhely és hálózati megoldások beállítására a Kubernetes számára.
• A Minikube használatára alkalmazások fejlesztéséhez, teszteléséhez és hibakereséséhez.

Ez az oktató által vezetett, élő képzés <helyszínen> (online vagy helyszíni) középhaladó szintű fejlesztőknek és DevOps mérnököknek szól, akik szeretnék a Minikube-et használni a fejlesztési folyamatuk részeként.

A képzés végére a résztvevők képesek lesznek:

• Helyi Kubernetes környezet beállítására és kezelésére a Minikube segítségével.
• Megérteni, hogyan lehet alkalmazásokat telepíteni, kezelni és hibakeresni a Minikube-en.
• A Minikube integrálására a folyamatos integrációs és üzembehelyezési folyamataikba.
• A fejlesztési folyamat optimalizálására a Minikube haladó funkcióinak használatával.
• Helyi Kubernetes fejlesztésre vonatkozó ajánlott eljárások alkalmazására.

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

A képzés végére a résztvevők képesek lesznek:

• Reprodukálható munkafolyamatokat és gépi tanulási modelleket létrehozni.
• Kezelni a gépi tanulás életciklusát.
• Nyomon követni és jelenteni a modell verziótörténetét, eszközeit és egyebeket.
• Termelésre kész gépi tanulási modelleket bárhol üzembe helyezni.