Cursuri de pregatire Kubeflow pe Azure

Despre acest curs

În acest curs, studenții vor învăța cum să proiecteze și să dezvolte servicii care accesează date locale și de la distanță din diverse surse. De asemenea, studenții vor învăța cum să dezvolte și să implementeze servicii în medii hibride, inclusiv pe servere locale și Microsoft Azure.

Profilul audienței

Principal: Dezvoltatori .NET care doresc să învețe cum să dezvolte servicii și să le implementeze în medii hibride.
Secundar: Dezvoltatori .NET cu experiență în dezvoltarea aplicațiilor web care explorează dezvoltarea de aplicații noi sau migrarea aplicațiilor existente pe Microsoft Azure.

La finalizarea cursului

După parcurgerea acestui curs, studenții vor putea:

• Descrie conceptele de bază ale dezvoltării de servicii și strategiile de acces la date folosind platforma .NET.
• Descrie platforma de cloud Microsoft Azure și ofertele sale de calcul, date și găzduire de aplicații.
• Proiectează și dezvoltă o aplicație centrată pe date folosind Visual Studio 2017 și Entity Framework Core.
• Proiectează, implementează și consumă servicii HTTP folosind ASP.NET Core.
• Extinde serviciile HTTP folosind ASP.NET Core.
• Gazduiește servicii local și în Microsoft Azure.
• Implementează servicii atât în medii locale, cât și în cloud și gestionează interfața și politica pentru serviciile lor.
• Alege o soluție de stocare a datelor, stochează în cache, distribuie și sincronizează date.
• Monitorizează, înregistrează și depanează servicii.
• Descrie conceptele și standardele de identitate bazate pe revendicări și implementează autentificarea și autorizarea cu Azure Active Directory.
• Creează aplicații de servicii scalabile.

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat inginerilor de AI și oamenilor de știință de date de nivel avansat cu experiență intermediară-avansată, care doresc să îmbunătățească performanța modelelor DeepSeek, să minimizeze latența și să implementeze soluții de AI eficient, folosind practici moderne MLOps.

La finalul acestui training, participanții vor putea:

• Optimiza modelele DeepSeek pentru eficiență, acuratețe și scalabilitate.
• Implementa cele mai bune practici pentru MLOps și versiunile modelelor.
• Implementa modelele DeepSeek pe infrastructuri cloud și on-premise.
• Monitoriza, întreține și scala soluțiile de AI în mod eficient.

Dobândiți cunoștințele necesare pentru proiectarea unei soluții Azure AI prin construirea unui chat Bot de asistență pentru clienți folosind inteligența artificială de pe platforma Microsoft Azure, inclusiv înțelegerea limbajului și funcționalitățile AI predefinite din Azure Cognitive Services.

Această formare condusă de un instructor, live în Moldova (online sau la fața locului), este destinată profesioniștilor de nivel intermediar până la avansat care doresc să construiască și să implementeze aplicații în cloud bazate pe inteligență artificială folosind Microsoft Azure.

La finalul acestei formări, participanții vor putea:

• Să dezvolte aplicații bazate pe evenimente și serverless folosind Azure Functions.
• Să gestioneze soluții de stocare Azure și mașini virtuale.
• Să implementeze și să scaleze aplicații web folosind Azure App Service și containere Docker.
• Să integreze inteligența artificială, învățarea automată și procesarea limbajului natural folosind Azure AI Services.
• Să utilizeze GitHub Copilot pentru a asista în dezvoltarea aplicațiilor în cloud bazate pe AI.

Acest training condus de un instructor, live în Moldova (online sau la fața locului) este destinat inginerilor care doresc să utilizeze platforma cu funcționalitate drag-and-drop a Azure ML pentru a implementa sarcini de Machine Learning fără a fi nevoie să achiziționeze software și hardware și fără a se preocupa de întreținere și implementare.

La sfârșitul acestui training, participanții vor putea:

• Să scrie modele de Machine Learning extrem de precise folosind Python, R sau instrumente fără cod.
• Să exploateze seturile de date și algoritmii disponibili pe Azure pentru a antrena și a monitoriza modele de Machine Learning și deep-learning.
• Să utilizeze spațiul de lucru interactiv Azure pentru a dezvolta colaborativ modele ML.
• Să aleagă dintre diferitele cadre ML acceptate de Azure, cum ar fi PyTorch, TensorFlow și scikit-learn.

Docker este o platformă de containerizare utilizată pentru a construi medii reproducibile, portabile și scalabile pentru sistemele de învățare automată (ML).

Această formare condusă de un instructor, live (online sau la fața locului), este destinată profesioniștilor tehnici de nivel intermediar și avansat care doresc să containerizeze și să operationalizeze pipeline-uri complete de ML folosind Docker.

La finalizarea acestei formări, participanții vor putea:

• Containeriza sarcinile de antrenament, validare și inferență ML.
• Proiecta și orchestrează pipeline-uri ML de la început până la sfârșit folosind Docker și instrumente de suport.
• Implementa versionarea, reproductibilitatea și CI/CD pentru componentele ML.
• Implementa, monitoriza și scală serviciile ML în medii containerizate.

Formatul Cursului

• Prelegeri interactive susținute de demonstrații practice.
• Exerciții practice concentrate pe construirea componentelor reale ale pipeline-urilor ML.
• Implementare live-lab pentru fluxuri de lucru containerizate de la început până la sfârșit.

Opțiuni de Personalizare a Cursului

• Pentru o formare personalizată în funcție de nevoile specifice de infrastructură ML, vă rugăm să ne contactați pentru a discuta opțiunile.

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat dezvoltatorilor și oamenilor de știință de date care doresc să construiască, să implementeze și să gestioneze fluxuri de lucru de învățare automată pe Kubernetes.

La finalul acestui training, participanții vor fi capabili să:

• Instaleze și configureze Kubeflow local și în cloud folosind AWS EKS (Elastic Kubernetes Service).
• Construiască, implementeze și gestioneze fluxuri de lucru ML bazate pe containere Docker și Kubernetes.
• Ruleze întregi pipeline-uri de învățare automată pe diverse arhitecturi și medii cloud.
• Folosească Kubeflow pentru a crea și gestiona notebook-uri Jupyter.
• Construiască sarcini de antrenament ML, ajustare de hiperparametri și servire pe multiple platforme.

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat inginerilor care doresc să implementeze sarcini de Învățare Automată pe un server AWS EC2.

La finalul acestui training, participanții vor putea:

• Instala și configura Kubernetes, Kubeflow și alte software necesare pe AWS.
• Utiliza EKS (Elastic Kubernetes Service) pentru a simplifica lucrul de inițializare a unui cluster Kubernetes pe AWS.
• Crea și implementa o conductă Kubernetes pentru automatizarea și gestionarea modelelor ML în producție.
• Antrena și implementa modele ML TensorFlow pe mai multe GPU și mașini care rulează în paralel.
• Utiliza alte servicii gestionate AWS pentru a extinde o aplicație ML.

Kubeflow este o platformă open-source concepută pentru a simplifica construirea, antrenarea și implementarea sarcinilor de învățare automată pe Kubernetes.

Acest training condus de un instructor, live (online sau la fața locului), este destinat profesioniștilor de la nivel începător până la intermediar care doresc să construiască fluxuri de lucru ML fiabile folosind Kubeflow.

La finalizarea acestui training, participanții vor dobândi abilitățile de a:

• Naviga în ecosistemul și componentele de bază ale Kubeflow.
• Construi fluxuri de lucru reproducibile cu Kubeflow Pipelines.
• Rula joburi de antrenament scalabile pe Kubernetes.
• Servi modele de învățare automată eficient folosind Kubeflow Serving.

Formatul Cursului

• Prezentări ghidate și discuții collaborative.
• Laboratoare practice cu componente reale ale Kubeflow.
• Exerciții practice pentru construirea fluxurilor de lucru ML de la un capăt la altul.

Opțiuni de Personalizare a Cursului

• Pot fi aranjate versiuni personalizate ale acestui training pentru a se alinia cu tehnologia și cerințele proiectului echipei dumneavoastră.

Acest training condus de un instructor, live în Moldova (online sau la fața locului), este destinat dezvoltatorilor și oamenilor de știință de date care doresc să construiască, să implementeze și să gestioneze fluxuri de lucru de învățare automată pe Kubernetes.

La finalul acestui training, participanții vor putea:

• Instala și configura Kubeflow on-premise și în cloud.
• Construi, implementa și gestiona fluxuri de lucru ML bazate pe containere Docker și Kubernetes.
• Rula întregi pipeline-uri de învățare automată pe diverse arhitecturi și medii cloud.
• Folosi Kubeflow pentru a crea și gestiona notebook-uri Jupyter.
• Construi sarcini de antrenament ML, ajustare de hiperparametri și servire pe multiple platforme.

Acest training condus de un instructor, live (online sau la fața locului), este destinat specialiștilor în știința datelor care doresc să meargă dincolo de construirea modelelor ML și să optimizeze procesul de creare, urmărire și implementare a modelelor ML.

La finalul acestui training, participanții vor putea:

• Instala și configura MLflow și bibliotecile și framework-urile ML conexe.
• Aprecia importanța urmăririi, reproducibilității și implementabilității unui model ML.
• Implementa modele ML pe diferite cloud-uri publice, platforme sau servere on-premise.
• Scala procesul de implementare ML pentru a găzdui mai mulți utilizatori care colaborează la un proiect.
• Configura un registru central pentru a experimenta, reproduce și implementa modele ML.

Această formare condusă de un instructor, în format live în Moldova (online sau la fața locului), este destinată inginerilor care doresc să evalueze abordările și instrumentele disponibile astăzi pentru a lua o decizie inteligentă în privința adoptării MLOps în organizația lor.

La sfârșitul acestei formări, participanții vor putea:

• Instala și configura diverse framework-uri și instrumente MLOps.
• Alcătui echipa potrivită cu abilitățile necesare pentru construirea și sprijinirea unui sistem MLOps.
• Pregăti, valida și versiona date pentru utilizarea de către modelele ML.
• Înțelege componentele unui Pipeline ML și instrumentele necesare pentru a construi unul.
• Experimenta cu diferite framework-uri și servere de învățare automată pentru implementarea în producție.
• Operaționalizează întregul proces de Învățare Automată astfel încât să fie reproducibil și ușor de întreținut.

Acest training condus de un instructor, live (online sau la fața locului), este destinat inginerilor de învățare automată care doresc să utilizeze Azure Machine Learning și Azure DevOps pentru a facilita practicile MLOps.

La finalul acestui training, participanții vor putea:

• Să construiască fluxuri de lucru reproducibile și modele de învățare automată.
• Să gestioneze ciclul de viață al învățării automate.
• Să urmărească și să raporteze istoricul versiunilor modelelor, active și altele.
• Să implementeze modele de învățare automată gata pentru producție oriunde.

MLOps pe Kubernetes este un cadru pentru automatizarea antrenării, validării, împachetării și implementării modelelor de învățare automată folosind pipele containerizate și fluxuri de lucru GitOps.

Acest training ghidat de instructori, live (online sau la fața locului), este destinat practicienilor de nivel intermediar care doresc să construiască pipele MLOps automate și scalabile pe Kubernetes.

După parcurgerea acestui training, participanții vor fi capabili să:

• Proiecteze pipele CI/CD de la cap la cap pentru învățarea automată.
• Implementeze fluxuri de lucru GitOps pentru implementarea și versionarea modelelor.
• Automatizeze antrenarea, testarea și împachetarea modelelor ML.
• Integreze strategii de monitorizare, alertă și revenire la o versiune anterioară.

Formatul cursului

• Prezentări ghidate de instructori și analize tehnice aprofundate.
• Exerciții practice care construiesc fluxuri de lucru CI/CD din lumea reală.
• Practică live în laborator pentru implementarea sarcinilor ML pe Kubernetes.

Opțiuni de personalizare a cursului

• Organizațiile pot solicita conținut personalizat aliniat cu instrumentele și infrastructura lor MLOps interne.