MLOps Training Courses

MLOps è un insieme di strumenti e metodologie per combinare Machine Learning e DevOps pratiche. L'obiettivo di MLOps è quello di automatizzare e ottimizzare l'implementazione e la manutenzione dei sistemi ML in produzione. Questo istruttore guidato, la formazione in diretta (online o on-site) è rivolto agli ingegneri che vogliono valutare gli approcci e gli strumenti disponibili oggi per prendere una decisione intelligente sul cammino avanti nell'adozione MLOps all'interno della loro organizzazione. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare diversi MLOps framework e strumenti. Assemblare il tipo giusto di team con le competenze giuste per costruire e sostenere un sistema MLOps. Preparare, valutare e versare i dati per l'uso da modelli ML. Comprendere i componenti di un tubo ML e gli strumenti necessari per costruire uno. Experimentare con diversi framework e server di apprendimento automatico per la produzione. Operare l'intero processo Machine Learning in modo che sia riproduttibile e sostenibile.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Kubeflow è un quadro per eseguire Machine Learning carico di lavoro su Kubernetes. TensorFlow è una biblioteca di apprendimento automatico e Kubernetes è una piattaforma di orchestrazione per la gestione di applicazioni containerizzate. Questo allenamento diretto da istruttori, in diretta (online o on-site) è rivolto agli ingegneri che vogliono impostare Machine Learning carico di lavoro su un server AWS EC2. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare Kubernetes, Kubeflow e altri software necessari su AWS. Utilizzare EKS (Elastic Kubernetes Service) per semplificare il lavoro di inizializzazione di un cluster Kubernetes su AWS. Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione. Eseguire e implementare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo. Leverage altri servizi gestiti da AWS per estendere un'applicazione ML.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Kubeflow è un quadro per eseguire Machine Learning carico di lavoro su Kubernetes. TensorFlow è una delle biblioteche di apprendimento automatico più popolari. Kubernetes è una piattaforma di orchestrazione per la gestione di applicazioni containerizzate. Questo allenamento guidato da istruttori, dal vivo (online o on-site) è rivolto agli ingegneri che vogliono disporre Machine Learning carico di lavoro in Azure cloud. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare Kubernetes, Kubeflow e altri software necessari su Azure. Utilizzare Azure Kubernetes Servizio (AKS) per semplificare il lavoro di inizializzazione di un Kubernetes cluster su Azure. Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione. Eseguire e implementare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo. Leverage altri servizi gestiti da AWS per estendere un'applicazione ML.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Kubeflow è un quadro per eseguire Machine Learning carico di lavoro su Kubernetes. TensorFlow è una delle biblioteche di apprendimento automatico più popolari. Kubernetes è una piattaforma di orchestrazione per la gestione di applicazioni containerizzate. Questo allenamento diretto da istruttori, in diretta (online o on-site) è rivolto agli ingegneri che desiderano disporre Machine Learning carico di lavoro su Google Cloud Platform (GCP). Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare Kubernetes, Kubeflow e altri software necessari su GCP e GKE. Utilizzare GKE (Kubernetes Kubernetes Motore) per semplificare il lavoro di inizializzazione di un Kubernetes cluster su GCP. Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione. Eseguire e sfruttare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo. Fornire altri servizi GCP per estendere un'applicazione ML.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Kubeflow è un quadro per eseguire Machine Learning carico di lavoro su Kubernetes. TensorFlow è una delle biblioteche di apprendimento automatico più popolari. Kubernetes è una piattaforma di orchestrazione per la gestione di applicazioni containerizzate. Questo allenamento diretto da istruttori, in diretta (online o on-site) è rivolto agli ingegneri che desiderano disporre Machine Learning carico di lavoro per IBM Cloud Kubernetes Service (IKS). Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare Kubernetes, Kubeflow e altri software necessari sul Servizio IBM Cloud Kubernetes (IKS). Utilizzare IKS per semplificare il lavoro di inizializzazione di un Kubernetes cluster su IBM Cloud. Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione. Eseguire e implementare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo. Leverage altri servizi IBM Cloud per estendere un'applicazione ML.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Kubeflow è un toolkit per rendere Machine Learning (ML) su Kubernetes facile, portabile e scalabile. AWS EKS (Elastic Kubernetes Service) è un servizio gestito da Amazon per eseguire il Kubernetes su AWS. Questo istruttore guidato, la formazione in diretta (online o on-site) è rivolto a sviluppatori e scienziati dei dati che vogliono costruire, implementare e gestire i flussi di lavoro di apprendimento automatico Kubernetes. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare Kubeflow su premise e nel cloud utilizzando AWS EKS (Elastic Kubernetes Service). Costruire, implementare e gestire i flussi di lavoro ML basati su Docker contenitori e Kubernetes. Eseguire tutti i tubi di apprendimento automatico su varie architettura e ambienti cloud. Utilizzare Kubeflow per spazzolare e gestire i notebook di Jupyter. Costruisci la formazione ML, il tuning di iperparametri e il servizio di carico di lavoro su più piattaforme.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Kubeflow è un quadro per eseguire Machine Learning carico di lavoro su Kubernetes. TensorFlow è una delle biblioteche di apprendimento automatico più popolari. Kubernetes è una piattaforma di orchestrazione per la gestione di applicazioni containerizzate. OpenShift è una piattaforma di sviluppo di applicazioni cloud che utilizza Docker contenitori, orchestrati e gestiti da Kubernetes, sulla base di Red Hat Enterprise Linux. Questo allenamento diretto da istruttori, in diretta (online o on-site) è rivolto agli ingegneri che vogliono disporre Machine Learning carico di lavoro in un OpenShift on-premise o cloud ibrido.

Al termine di questo corso, i partecipanti saranno in grado di: Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Utilizzare OpenShift per semplificare il lavoro di inizializzazione di un Kubernetes cluster. Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione. Imparare e implementare TensorFlow modelli ML su più GPUs e macchine che funzionano in parallelo. Chiamare i servizi cloud pubblici (ad esempio i servizi AWS) dall'interno OpenShift per estendere un'applicazione ML.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.

Kubeflow è un toolkit per rendere Machine Learning (ML) su Kubernetes facile, portabile e scalabile. Questo istruttore guidato, la formazione in diretta (online o on-site) è rivolto a sviluppatori e scienziati dei dati che vogliono costruire, implementare e gestire i flussi di lavoro di apprendimento automatico Kubernetes. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare Kubeflow su premisa e nel cloud. Costruire, implementare e gestire i flussi di lavoro ML basati su Docker contenitori e Kubernetes. Eseguire tutti i tubi di apprendimento automatico su varie architettura e ambienti cloud. Utilizzare Kubeflow per spazzolare e gestire i notebook di Jupyter. Costruisci la formazione ML, il tuning di iperparametri e il servizio di carico di lavoro su più piattaforme.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare. Per saperne di più Kubeflow, si prega di visitare: https://github.com/kubeflow/kubeflow

MLflow è una piattaforma open source per semplificare e gestire il ciclo di vita dell'apprendimento automatico. Supporta qualsiasi ML (apprendimento automatico) biblioteca, algoritmo, strumento di implementazione o linguaggio. Basta aggiungere MLflow al codice ML esistente per condividere il codice in qualsiasi libreria ML utilizzata all'interno della tua organizzazione. Questo allenamento diretto da istruttori, in diretta (online o on-site) è rivolto a scienziati dei dati che vogliono andare oltre la costruzione di modelli ML e ottimizzare il processo di creazione, tracciamento e implementazione del modello ML. Al termine di questo corso, i partecipanti saranno in grado di:

Installare e configurare MLflow e correlate biblioteche e framework ML. Valutare l'importanza della tracciabilità, riproducibilità e applicabilità di un modello ML Applicare i modelli ML su diverse nuvole pubbliche, piattaforme o server on-premise. Scalare il processo di implementazione ML per accogliere più utenti che collaborano su un progetto. Crea un registro centrale per sperimentare, riprodurre e implementare i modelli ML.

Il formato del corso

Interattiva lezione e discussione. Molti esercizi e pratiche. Implementazione a mano in un ambiente live-lab.

Opzioni di personalizzazione del corso

Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.