Docker voor MLOps: End-to-end Pipeline Containerisatie Training Cursus

Deze door een instructeur geleide, live training in Nederland (online of op locatie) is bedoeld voor engineers die hun kennis van Docker willen verbeteren om applicaties op een grotere schaal uit te rollen, terwijl zij de controle behouden.

Aan het einde van deze training kunnen deelnemers:

• hun eigen Docker-images bouwen;
• een groot aantal Docker-applicaties implementeren en beheren;
• verschillende container-orchestratieoplossingen evalueren en de meest geschikte kiezen;
• een continua integratieproces (CI) instellen voor Docker-applicaties;
• Docker-applicaties integreren met bestaande processen voor continue integratie van hulpmiddelen;
• hun Docker-applicaties beveiligen.

Deze door een instructeur geleide training in Nederland (online of ter plaatse) is bedoeld voor AI-engineers en datawetenschappers op gevorderd niveau met een gedegen basiskennis die hun DeepSeek-modellen verder willen verbeteren, de latentie minimaliseren en efficiënte AI-oplossingen willen implementeren volgens moderne MLOps-methoden.

Aan het einde van deze training zijn de deelnemers in staat tot:

• DeepSeek-modellen optimaliseren voor maximale efficiëntie, nauwkeurigheid en schaalbaarheid.
• Beste praktijken toepassen op het gebied van MLOps en versiebeheer van modellen.
• DeepSeek-modellen implementeren zowel in cloud- als lokale infrastructuur.
• AI-oplossingen effectief monitoren, onderhouden en schalen.

Leren hoe u containergebaseerde omgevingen bouwt, implementeert en beheert met behulp van Docker, Kubernetes en OpenShift. Deze vijfdaagse praktijktraining behandelt onderwerpen als containerimages, Kubernetes-workloads, clusternetwerken, opslagbeheer, beveiliging, monitoring en daadwerkelijk OpenShift-beheer. Deelnemers verwerven de vaardigheden om moderne containerplatforms te runnen en problemen met toepassingen op te lossen zowel in ontwikkel- als productieomgevingen.

In deze door een trainer geleide, live-training op Nederland leren deelnemers hoe ze Docker-containers creëren en beheren, waarna ze een voorbeeldapplicatie in een container implementeren. Ze leren bovendien hoe ze hun containerized applicaties automatiseren, schalen en beheren binnen een Kubernetes-cluster. Tot slot behandelt de training geavanceerde onderwerpen zoals het beveiligen, schalen en monitoren van een Kubernetes-cluster.

Aan het einde van deze training kunnen deelnemers:

• Een Docker-container instellen en uitvoeren.
• Een containerized server en webapplicatie implementeren.
• Docker-afbeeldingen bouwen en beheren.
• Een Docker- en Kubernetes-cluster opzetten.
• Kubernetes gebruiken om een webapplicatie binnen een cluster te implementeren en beheren.
• Een Kubernetes-cluster beveiligen, schalen en monitoren.

Doelstellingen van de training: Deelnemers verwerven theoretische kennis en praktische vaardigheden met betrekking tot Docker en Kubernetes.

Dit live, door een instructeur geleide training in Nederland (online of op locatie) is bedoeld voor ontwikkelaars en datawetenschappers die machine learning-workflows willen bouwen, implementeren en beheren op Kubernetes.

Na afloop van deze training kunnen deelnemers:

• Kubeflow installeren en configureren in een eigen infrastructuur (on-premise) en in de cloud.
• ML-workflows bouwen, implementeren en beheren op basis van Docker-containers en Kubernetes.
• Hele machine learning-pijplijnen uitvoeren op verschillende architecturen en cloudomgevingen.
• Kubeflow gebruiken om Jupyter-notebooks op te starten en te beheren.
• ML-training, hyperparameter-tuning en serving-workloads bouwen over meerdere platforms heen.

Deze door een instructeur geleide, live-training (online of op locatie) is bedoeld voor ingenieurs die de beschikbare benaderingen en tools willen beoordelen om zo een weloverwogen keuze te maken over het invoeren van MLOps binnen hun organisatie.

Aan het einde van deze training zullen deelnemers in staat zijn om:

• Verschillende MLOps-frameworks en -tools te installeren en te configureren.
• Het juiste team samen te stellen, met de benodigde vaardigheden voor het ontwikkelen en ondersteunen van een MLOps-systeem.
• Gegevens voor te bereiden, te valideren en versiebeheer aan te brengen zodat ze bruikbaar zijn voor machine learning-modellen.
• De verschillende onderdelen van een ML-pijplijn te begrijpen en de benodigde tools om deze te bouwen.
• Diverse machine learning-frameworks en servers uit te proberen voor implementatie in productieomgevingen.
• Het gehele machine learning-proces operationeel te maken, zodat het herhaalbaar en onderhoudbaar is.