
Online o in loco, i corsi di formazione MLOps dal vivo con istruttore dimostrano attraverso esercitazioni pratiche interattive come utilizzare gli strumenti MLOps per automatizzare e ottimizzare l'implementazione e la manutenzione dei sistemi ML in produzione. La formazione MLOps è disponibile come "formazione dal vivo online" o "formazione dal vivo in loco". La formazione dal vivo online (nota anche come "formazione dal vivo a distanza") viene svolta tramite un desktop remoto interattivo. La formazione dal vivo in loco può essere svolta localmente presso la sede del cliente in Italia o nei centri di formazione aziendale NobleProg in Italia. NobleProg -- Il tuo fornitore di formazione locale
Machine Translated
MLOps Course Outlines
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
Al termine di questa formazione, i partecipanti saranno in grado di:
Installa e configura Kubernetes e Kubeflow in un cluster OpenShift.
Utilizza OpenShift per semplificare il lavoro di inizializzazione di un cluster Kubernetes.
Crea e distribuisci una pipeline Kubernetes per l'automazione e la gestione dei modelli di ML in produzione.
Addestra e distribuisci TensorFlow modelli ML su più GPU e computer in esecuzione in parallelo.
Chiama i servizi di cloud pubblico (ad esempio, i servizi AWS) dall'interno di OpenShift per estendere un'applicazione ML.
-
Lezione interattiva e discussione.
Un sacco di esercizi e pratica.
Implementazione pratica in un ambiente di laboratorio dal vivo.
-
Per richiedere una formazione personalizzata per questo corso, contattaci per organizzare.
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
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
-
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.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
Last Updated: