MLOps: CI/CD for Machine Learning Kurzusok

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 az MLflow-et 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 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 a Kubeflow-ot a helyszínen és a felhőben az AWS EKS (Elastic Kubernetes szolgáltatás) segítségével.
• Docker-tárolókon és Kubernetesen alapuló ML-munkafolyamatok létrehozása, üzembe helyezése és kezelése.
• Futtasson teljes gépi tanulási folyamatot különféle architektúrákon és felhőkörnyezeteken.
• A 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 mérnököknek szól, akik Machine Learning munkaterhelést szeretnének telepíteni az Azure-felhőbe.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Kubernetes, a Kubeflow és más szükséges szoftvereket az Azure-ban.
• Az Azure Kubernetes Service (AKS) használatával egyszerűsítse a Kubernetes-fürt Azure-ban történő inicializálását.
• 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 mérnököknek szól, akik Machine Learning munkaterhelést szeretnének telepíteni a Google Cloud Platformra (GCP).

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Kubernetes, Kubeflow és egyéb szükséges szoftvereket GCP-n és GKE-n.
• A GKE (Kubernetes Kubernetes Engine) használatával leegyszerűsítheti a Kubernetes-fürt GCP-n történő inicializálását.
• 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 GCP-szolgáltatásokat az ML-alkalmazások kiterjesztéséhez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik Machine Learning munkaterhelést szeretnének telepíteni az IBM Cloud Kubernetes Service (IKS) szolgáltatásba.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Kubernetes, Kubeflow és egyéb szükséges szoftvereket az IBM Cloud Kubernetes Service (IKS) szolgáltatáson.
• Az IKS segítségével leegyszerűsítheti a Kubernetes-fürt inicializálását az IBM Cloudon.
• 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 IBM Cloud-szolgáltatásokat az ML-alkalmazások kiterjesztéséhez.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak a mérnököknek szól, akik a Machine Learning munkaterheléseit OpenShift helyszíni vagy hibrid felhőben szeretnék telepíteni.

• A képzés végére a résztvevők képesek lesznek:
• A Kubernetes és a Kubeflow telepítése és konfigurálása egy OpenShift-fürtön.
• Az OpenShift használatával leegyszerűsítheti a Kubernetes-fürt inicializálását.
• 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.
• Hívjon nyilvános felhőszolgáltatásokat (pl. AWS-szolgáltatásokat) az OpenShiftből 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 a Kubeflow-t 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.
• A Kubeflow használata Jupyter notebookok létrehozásához és kezeléséhez.
• Építsen ML képzést, hiperparaméter-hangolást, és szolgálja ki a munkaterheléseket több platformon.

A DevOps Foundation kurzus alapszintű megértését nyújtja a kulcsfontosságú DevOps terminológiának annak biztosítása érdekében, hogy mindenki ugyanazt a nyelvet beszélje, és kiemeli a DevOps előnyeit a szervezet sikerének támogatásában.

A kurzus témái közé tartozik, hogy a DevSecOps miként biztosít üzleti értéket, növeli az üzleti lehetőségeket és javítja a vállalati értéket. A tanított DevSecOps alapelvek támogathatják a szervezeti átalakítást, növelhetik a termelékenységet, csökkenthetik a kockázatokat és optimalizálhatják az erőforrás-felhasználást.

A kurzus rávilágít a kulturális változások emberi dinamikájára, és gyakorlatokkal, módszerekkel és eszközökkel látja el a résztvevőket, hogy valós forgatókönyvek és esettanulmányok segítségével bevonják az embereket a DevOps spektrumból. A kurzus befejezése után a résztvevők kézzelfogható tapasztalatokat kapnak, amelyeket az irodában való tartózkodásukkor hasznosíthatnak, például megérthetik az értékfolyam-térképezést.

A DevSecOps Practitioner egy sor gyakorlatot mutat be a DevSecOps gyakorlatok átfogóbb megértéséhez. Fedezze fel a gyakorlati eredményeket az emberek megfelelő keverékének megtalálásával, az értéknövelő folyamatok kiépítésével és a ma elérhető technológiai lehetőségek összehasonlításával. A közelmúltban átalakult szervezetek számára készült, akik a DevSecOps készségeit és tudatosságát szeretnék fejleszteni.

Ez a tanfolyam azoknak a résztvevőknek készült, akik a folyamatos integrációt, folyamatos szállítást, folyamatos tesztelést és potenciálisan folyamatos telepítést támogató DevOps telepítési folyamatok és eszközláncok tervezésében, megvalósításában és kezelésében vesznek részt. A kurzus rávilágít az alátámasztó folyamatokra, mutatókra, APl-ekre és kulturális szempontokra a folyamatos szállítással

Tanulja meg, hogyan optimalizálhatja a tesztelést, hogy gyorsabban teszteljen, és még mindig jó minőséget és egyenletes, stabil eredményt érjen el.

Bevezetés az értékfolyam-kezelési elvekbe, gyakorlatokba és eszközökbe. Úgy tervezték, hogy optimalizálja az értékáramlást és a digitális értékfolyamokban való megvalósulást, és fejlessze az egyének készségeit. A digitális értékfolyamok magukban foglalják a szoftveralkalmazásokat és szolgáltatásokat az ezeket támogató platformokon kívül, pl. felhő infrastruktúra vagy DevOps eszközláncok