MLOps on Kubernetes: CI/CD folyamatok gépi tanuláshoz Képzés

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű mérnökök és adattudósok számára készült, akik középszintű vagy haladó tapasztalattal rendelkeznek, és szeretnék javítani a DeepSeek modellek teljesítményét, csökkenteni a késleltetést, valamint hatékonyan üzembe helyezni az AI megoldásokat modern MLOps gyakorlatok segítségével.

A képzés végére a résztvevők képesek lesznek:

• A DeepSeek modellek optimalizálása a hatékonyság, pontosság és skálázhatóság érdekében.
• A legjobb gyakorlatok alkalmazása az MLOps és a modellverziószámozás terén.
• A DeepSeek modellek üzembe helyezése felhőben és helyszíni infrastruktúrákon.
• Az AI megoldások hatékony monitorozása, karbantartása és skálázása.

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.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) fejlesztőknek és adattudósoknak szól, akik gépi tanulási munkafolyamatokat szeretnének létrehozni, üzembe helyezni és kezelni a Kubernetes-en.

A képzés végére a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a Kubeflow-ot helyszínen és a felhőben az AWS EKS (Elastic Kubernetes Service) használatával.
• Docker konténerek és Kubernetes alapján gépi tanulási munkafolyamatokat létrehozni, üzembe helyezni és kezelni.
• Teljes gépi tanulási folyamatokat futtatni különböző architektúrákon és felhő környezetekben.
• A Kubeflow használata Jupyter notebookok indításához és kezeléséhez.
• Gépi tanulási képzést, hiperparaméter-hangolást és kiszolgálási munkaterheléseket létrehozni több platformon.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak a mérnököknek szól, akik gépi tanulási munkaterheléseket szeretnének telepíteni egy AWS EC2 szerverre.

A képzés végére a résztvevők képesek lesznek:

• A Kubernetes, Kubeflow és egyéb szükséges szoftverek telepítésére és konfigurálására az AWS-en.
• Az EKS (Elastic Kubernetes Service) használatára a Kubernetes klaszter inicializálásának egyszerűsítésére az AWS-en.
• Kubernetes folyamat létrehozására és üzembe helyezésére a termelési ML modellek automatizálásához és kezeléséhez.
• TensorFlow ML modellek képzésére és üzembe helyezésére több GPU-n és párhuzamosan futó gépen.
• Egyéb AWS által kezelt szolgáltatások kihasználására egy ML alkalmazás kiterjesztéséhez.

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.

A Kubeflow egy nyílt forráskódú platform, amely a gépi tanulási munkaterhelések építését, tanítását és üzembe helyezését egyszerűsíti a Kubernetes-en.

Ez az oktató által vezetett, élő képzés (online vagy helyszíni) kezdő és középhaladó szintű szakembereknek szól, akik megbízható ML munkafolyamatokat szeretnének létrehozni a Kubeflow segítségével.

A képzés elvégzése után a résztvevők a következő készségekre tesznek szert:

• Navigálás a Kubeflow ökoszisztémában és az alapvető komponensekben.
• Reprodukálható munkafolyamatok készítése a Kubeflow Pipelines segítségével.
• Skálázható tanítási feladatok futtatása a Kubernetes-en.
• Hatékony gépi tanulási modellek kiszolgálása a Kubeflow Serving segítségével.

A képzés formátuma

• Irányított előadások és együttműködő viták.
• Gyakorlati laborok valós Kubeflow komponensekkel.
• Gyakorlati feladatok a végpontok közötti ML munkafolyamatok építéséhez.

Képzés testreszabási lehetőségei

• A képzés testreszabott változatai készíthetők, hogy megfeleljenek a csapat technológiai veremének és projektkövetelményeinek.

Ez az oktató által vezetett, élő képzés Magyarország-ban (online vagy helyszíni) fejlesztőknek és adattudósoknak szól, akik gépi tanulási munkafolyamatokat szeretnének létrehozni, üzembe helyezni és kezelni Kubernetes-en.

A képzés végére a résztvevők képesek lesznek:

• A Kubeflow telepítésére és konfigurálására helyszínen és a felhőben.
• Docker konténerek és Kubernetes alapú ML munkafolyamatok létrehozására, üzembe helyezésére és kezelésére.
• Teljes gépi tanulási folyamatok futtatására különböző architektúrákon és felhő környezetekben.
• A Kubeflow használatával Jupyter notebookok indítására és kezelésére.
• ML képzés, hiperparaméter-hangolás és szolgáltatási munkaterhelések létrehozására több platformon.

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 az adattudósoknak szól, akik túl szeretnének lépni a ML modellek készítésén, és optimalizálni szeretnék a ML modell létrehozását, nyomon követését és telepítési folyamatát.

A képzés végén a résztvevők képesek lesznek:

• Telepíteni és konfigurálni az MLflow-ot és a kapcsolódó ML könyvtárakat és keretrendszereket.
• Megérteni a ML modell nyomon követhetőségének, reprodukálhatóságának és telepíthetőségének fontosságát.
• ML modellek telepítése különböző nyilvános felhőkbe, platformokra vagy helyszíni szerverekre.
• Az ML telepítési folyamat skálázása, hogy több felhasználó is együttműködhessen egy projekten.
• Központi nyilvántartás beállítása a ML modellek kísérletezéséhez, reprodukálásához és telepítéséhez.

Ez az oktató által vezetett, élőben zajló képzés Magyarország (online vagy helyszíni) azoknak a mérnököknek szól, akik szeretnék felmérni a ma elérhető megközelítéseket és eszközöket, hogy informált döntést hozhassanak az MLOps szervezeten belüli bevezetésének útjáról.

A képzés végén a résztvevők képesek lesznek:

• Különböző MLOps keretrendszerek és eszközök telepítésére és konfigurálására.
• A megfelelő készségekkel rendelkező csapat összeállítására egy MLOps rendszer felépítéséhez és támogatásához.
• Adatok előkészítésére, ellenőrzésére és verziókezelésére a gépi tanulási modellek számára.
• Az ML folyamat összetevőinek és az egy ilyen folyamat felépítéséhez szükséges eszközök megértésére.
• Különböző gépi tanulási keretrendszerek és szerverek kipróbálására a termelési környezetbe történő üzembe helyezéshez.
• A gépi tanulási folyamat teljes operacionalizálására, hogy az reprodukálható és karbantartható legyen.

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.