Kubeflow op AWS Training Cursus

Deze door een instructeur geleide, live training in Nederland (online of onsite) is bedoeld voor AI-engineers en datawetenschappers op advanced niveau met tussenliggende tot geavanceerde ervaring die de modelprestaties willen verbeteren, de latentie willen minimaliseren en AI-oplossingen efficiënt willen implementeren met behulp van moderne praktijken.

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

• DeepSeek modellen optimaliseren op efficiency, nauwkeurigheid en schaalbaarheid.
• Best practices implementeren voor MLOps en modelversioning.
• DeepSeek modellen implementeren op cloud- en on-premise infrastructuur.
• AI-oplossingen effectief te monitoren, onderhouden en opschalen.

Deze live training onder leiding van een instructeur in Nederland (ter plaatse of op afstand) is bedoeld voor ingenieurs die IoT-apparaten op AWS willen implementeren en beheren.

Aan het einde van deze training zijn deelnemers in staat om een IoT-platform te bouwen dat de implementatie en het beheer van een backend, gateway en apparaten bovenop AWS omvat.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor ontwikkelaars die AWS IoT Greengrass-mogelijkheden willen installeren, configureren en beheren om toepassingen voor verschillende apparaten te maken.

Aan het einde van deze training kunnen deelnemers AWS IoT Greengrass gebruiken om applicaties op intelligente apparaten te bouwen, te implementeren, te beheren, te beveiligen en te monitoren.

Deze live training onder leiding van een instructeur in Nederland (ter plaatse of op afstand) is bedoeld voor ontwikkelaars die AWS Lambda willen gebruiken om services en applicaties in de cloud te bouwen en te implementeren, zonder dat ze zich zorgen hoeven te maken over het inrichten van de uitvoeringsomgeving (servers, VM's en containers, beschikbaarheid, schaalbaarheid, opslag, enz.).

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

• Configureer AWS Lambda om een functie uit te voeren.
• Begrijp FaaS (Functions as a Service) en de voordelen van serverless development.
• Functies bouwen, uploaden en uitvoeren AWS Lambda.
• Integreer Lambda-functies met verschillende gebeurtenisbronnen.
• Verpakken, implementeren, bewaken en problemen met Lambda-gebaseerde applicaties oplossen.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is gericht op professionals van gevorderd niveau die hun begrip van DevOps praktijken willen verdiepen en ontwikkelingsprocessen willen stroomlijnen met behulp van AWS Cloud9.

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

• AWS Cloud9 instellen en configureren voor DevOps workflows.
• Implementeer pijplijnen voor continue integratie en continue levering (CI/CD).
• Automatiseer test-, monitoring- en implementatieprocessen met behulp van AWS Cloud9.
• Integreer AWS-services zoals Lambda, EC2 en S3 in DevOps workflows.
• Gebruik broncodebeheersystemen zoals GitHub of GitLab binnen AWS Cloud9.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor professionals van gemiddeld niveau die willen leren hoe ze effectief serverloze applicaties kunnen bouwen, implementeren en onderhouden op AWS Cloud9 en AWS Lambda.

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

• Begrijp de basisprincipes van serverloze architectuur.
• Stel AWS Cloud9 in voor serverloze applicatieontwikkeling.
• Ontwikkel, test en implementeer serverloze toepassingen met behulp van AWS Lambda.
• Integreer AWS Lambda met andere AWS-services zoals API, Gateway en S3.
• Optimaliseer serverloze applicaties voor prestaties en kostenefficiëntie.

Zomers:

• Basisprincipes van IoT-architectuur en -functies
• "Dingen", "Sensoren", internet en het in kaart brengen tussen bedrijfsfuncties van IoT
• Essentieel van alle IoT-softwarecomponenten - hardware, firmware, middleware, cloud en mobiele app
• IoT-functies - Wagenparkbeheerder, datavisualisatie, SaaS-gebaseerde FM en DV, waarschuwing/alarm, sensoronboarding, "ding" onboarding, geofencing
• Basisprincipes van communicatie met IoT-apparaten met de cloud met MQTT.
• IoT-apparaten verbinden met AWS met MQTT (AWS IoT Core).
• Verbinden van AWS IoT kern met AWS Lambda functie voor berekening en gegevensopslag.
• Raspberry PI verbinden met AWS IoT core en eenvoudige datacommunicatie.
• Waarschuwingen en gebeurtenissen
• Kalibratie van de sensor

Samenvatting:

• Basisprincipes van IoT-architectuur en -functies
• "Dingen", "Sensoren", internet en het in kaart brengen tussen bedrijfsfuncties van IoT
• Essentieel van alle IoT-softwarecomponenten - hardware, firmware, middleware, cloud en mobiele app
• IoT-functies - Wagenparkbeheerder, datavisualisatie, SaaS-gebaseerde FM en DV, waarschuwing/alarm, sensoronboarding, "ding" onboarding, geofencing
• Basisprincipes van communicatie met IoT-apparaten met de cloud met MQTT.
• IoT-apparaten verbinden met AWS met MQTT (AWS IoT Core).
• Verbinden van AWS IoT core met AWS Lambda functie voor berekening en gegevensopslag met behulp van DynamoDB.
• Raspberry PI verbinden met AWS IoT core en eenvoudige datacommunicatie.
• Hands-on met Raspberry PI en AWS IoT Core om een slim apparaat te bouwen.
• Visualisatie van sensorgegevens en communicatie met webinterface.

Deze live training onder leiding van een instructeur in Nederland (online of ter plaatse) is bedoeld voor ontwikkelaars en datawetenschappers die machine learning-workflows willen bouwen, implementeren en beheren op Kubernetes.

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

• Installeer en configureer Kubeflow on-premise en in de cloud met behulp van AWS EKS (Elastic Kubernetes Service).
• Bouw, implementeer en beheer ML-workflows op basis van Docker containers en Kubernetes.
• Voer volledige machine learning-pijplijnen uit op verschillende architecturen en cloudomgevingen.
• Kubeflow gebruiken om Jupyter-notebooks te maken en te beheren.
• Bouw ML-training, hyperparameterafstemming en het serveren van workloads op meerdere platforms.

Dit instructeurgeleide, live-training (online of on-site) is gericht op ingenieurs die Machine Learning-workloads willen implementeren in de Azure-cloud.

Na afloop van deze training zullen de deelnemers in staat zijn:

• Kubernetes, Kubeflow en andere benodigde software te installeren en configureren op Azure.
• Azure Kubernetes Service (AKS) te gebruiken om het werk van het initializeren van een Kubernetes-cluster in Azure te vereenvoudigen.
• Een Kubernetes-pijplijn te maken en implementeren voor het automatiseren en beheren van ML-modellen in productie.
• TensorFlow ML-modellen te trainen en implementeren over meerdere GPUs en machines die parallel draaien.
• Andere AWS-beheerde services te gebruiken om een ML-toepassing uit te breiden.

Deze live training onder leiding van een instructeur (online of ter plaatse) is bedoeld voor datawetenschappers die verder willen gaan dan het bouwen van ML-modellen en het creatie-, tracking- en implementatieproces van ML-modellen willen optimaliseren.

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

• Installeer en configureer MLflow en gerelateerde ML-bibliotheken en -frameworks.
• Waardeer het belang van traceerbaarheid, reproduceerbaarheid en inzetbaarheid van een ML-model
• Implementeer ML-modellen in verschillende openbare clouds, platforms of on-premise servers.
• Schaal het ML-implementatieproces zodat meerdere gebruikers aan een project kunnen samenwerken.
• Zet een centraal register op om met ML-modellen te experimenteren, deze te reproduceren en te implementeren.

Deze door instructeurs geleide live-training (online of op locatie) is gericht op ingenieurs die de aanpakken en hulpmiddelen willen evalueren die vandaag beschikbaar zijn om een weloverwogen beslissing te nemen over de voortgang van de adoptie van MLOps binnen hun organisatie.

Aan het einde van deze training kunnen de deelnemers:

• Verschillende MLOps-frameworks en hulpmiddelen installeren en configureren.
• Het juiste team met de juiste vaardigheden samenstellen voor het opzetten en ondersteunen van een MLOps-systeem.
• Gegevens voorbereiden, valideren en versieren voor gebruik door ML-modellen.
• De componenten van een ML-pipeline begrijpen en de hulpmiddelen die nodig zijn om er een te bouwen.
• Experimenteren met verschillende machine learning-frameworks en servers voor implementatie in productie.
• Het gehele Machine Learning-proces operationaliseren zodat het reproduceerbaar en onderhoudbaar is.

Deze door een instructeur geleide live training (online of ter plekke) is bedoeld voor machine learning engineers die Azure Machine Learning en Azure DevOps willen gebruiken om MLOps-praktijken te bevorderen.

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

• Herhaalbare workflows en machine learning-modellen te bouwen.
• Het machine learning-lifecycle te beheren.
• De versiegeschiedenis van modellen, activa en meer te volgen en te rapporteren.
• Productie-klare machine learning-modellen overal te implementeren.

MLOps op Kubernetes is een framework voor het automatiseren van de training, validatie, verpakking en implementatie van machine learning modellen met behulp van containerized pipelines en GitOps-werkstromen.

Deze door een instructeur geleide, live-training (online of on-site) is gericht op middelbare praktijkers die willen leren hoe ze geautomatiseerde, schaalbare MLOps-pipelines op Kubernetes kunnen bouwen.

Na het volgen van deze training zijn deelnemers in staat om:

• Eind-einde CI/CD-pipelines voor machine learning te ontwerpen.
• GitOps-werkstromen voor modelimplementatie en versiebeheer te implementeren.
• De training, testen en verpakking van ML-modellen te automatiseren.
• Monitoring, waarschuwingen en rollback-strategieën te integreren.

Format van de cursus

• Instructeurgeleide presentaties en technische diepgaande inzichten.
• Hands-on oefeningen voor het bouwen van echte CI/CD-werkstromen.
• Live-lab praktijk voor het implementeren van ML-workloads op Kubernetes.

Cursus aanpassingsmogelijkheden

• Organisaties kunnen aangevraagd aanpasbare inhoud in lijn met hun interne MLOps-hulpmiddelen en -infrastructuur.