MLOps op Kubernetes: CI/CD-pipelines voor machine learning 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.

DO180 is een introductie tot containers, Kubernetes fundamentals, en Red Hat OpenShift platformconcepten met de nadruk op praktische vaardigheden.

Deze door een instructeur geleide, live training (online of on-site) is gericht op beginnende tot gemiddeld gevorderde technische professionals die containerworkflows, Kubernetes primitives willen leren en hoe ze applicaties op OpenShift kunnen implementeren en beheren.

Aan het einde van deze training kunnen de deelnemers:

• Containerimages en registries bouwen en beheren met beste praktijken voor herhaalbaarheid en beveiliging.
• Kubernetes-objecten zoals pods, deployments, en services in OpenShift implementeren en beheren.
• OpenShift-functies gebruiken zoals routes, buildconfigs, en de webconsole om de levering van applicaties te streamlinen.
• Persistent storage, configuratiebeheer en gegevensbeheer voor stateful workloads implementeren.
• Basisbeveiliging, RBAC en monitoringpraktijken toepassen om gezonde clusters en applicaties te behouden.

Opzet van de cursus

• Interactieve lezingen en discussies.
• Hands-on labs in een live OpenShift-omgeving elke dag.
• Scenario-gebaseerde oefeningen en troubleshootingworkshops.

Opties voor cursusaanpassing

• Om een aangepaste training voor deze cursus te vragen, neem dan contact met ons op om dit te regelen.

Deze door de instructeur geleide, live-training in Nederland (online of ter plekке) is gericht op ingenieurs die Helm willen gebruiken om het proces van installatie en beheer van Kubernetes-toepassingen te vereenvoudigen.

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

• Helm te installeren en configureren.
• Reproduceerbare builds van Kubernetes-toepassingen te maken.
• Toepassingen als Helm-charts te delen.
• Derden-toepassingen opgeslagen als Helm-charts uit te voeren.
• Releases van Helm-pakketten te beheren.

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.

Deze instructeur-ged真的ede, live training in Nederland (online of ter plaatse) is gericht op ingenieurs die Machine Learning werkbelastingen naar een AWS EC2-server willen implementeren.

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

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

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.

Kubeflow is een open-source platform dat ontworpen is om het bouwen, trainen en implementeren van machine learning workloads op Kubernetes te vergemakkelijken.

Deze instructeurgeleide live training (online of ter plaatse) is gericht op professionals met een beginnend tot gemiddeld niveau die betrouwbare ML-werkstroom willen bouwen met Kubeflow.

Na het volgen van deze training zullen de deelnemers de vaardigheden verwerven om:

• De Kubeflow-ecosysteem en kerncomponenten te navigeren.
• Reproduceerbare werkstroom te bouwen met Kubeflow Pipelines.
• Schaalbare trainingstaak uit te voeren op Kubernetes.
• Machine learning modellen efficiënt te serveren met Kubeflow Serving.

Format van de cursus

• Geleide presentaties en collaboratieve discussies.
• Hands-on labs met echte Kubeflow-componenten.
• Praktische oefeningen om eind-aan-eind ML-werkstroom te bouwen.

Aanpassingsmogelijkheden voor de cursus

• Aangepaste versies van deze training kunnen worden geregeld om in te lijnen met het technologiestap en projectvereisten van uw team.

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 op locatie en in de cloud.
• 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.

Deze live training onder leiding van een instructeur in Nederland (online of op locatie) is bedoeld voor softwareontwikkelaars van beginners tot gemiddeld niveau en DevOps professionals die willen leren hoe ze een lokale Kubernetes omgeving kunnen opzetten en beheren met behulp van Minikube.

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

• Installeer en configureer Minikube op hun lokale machine.
• Begrijp de basisconcepten en architectuur van Kubernetes.
• Implementeer en beheer containers met behulp van kubectl en het Minikube-dashboard.
• Stel permanente opslag- en netwerkoplossingen in voor Kubernetes.
• Gebruik Minikube voor het ontwikkelen, testen en debuggen van applicaties.

Deze door een instructeur geleide, live training in Nederland (online of op locatie) is bedoeld voor ontwikkelaars van gemiddeld niveau en DevOps ingenieurs die Minikube willen gebruiken als onderdeel van hun ontwikkelingsworkflow.

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

• Installeer en beheer een lokale Kubernetes omgeving met behulp van Minikube.
• Begrijp hoe u toepassingen op Minikube kunt implementeren, beheren en debuggen.
• Integreer Minikube in hun continue integratie- en implementatiepijplijnen.
• Optimaliseer hun ontwikkelingsproces met behulp van de geavanceerde functies van Minikube.
• Pas best practices toe voor lokale Kubernetes ontwikkeling.

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 instructeurgeleide, live-training in Nederland (online of ter plaatse) is gericht op ingenieurs die de beschikbare methoden en tools willen evalueren om een weloverwogen beslissing te kunnen nemen over de toekomstige implementatie van MLOps binnen hun organisatie.

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

• Diverse MLOps-frameworks en tools te installeren en configureren.
• Het juiste team samen te stellen met de juiste vaardigheden voor het bouwen en ondersteunen van een MLOps-systeem.
• Data op te bereiden, te valideren en te versieën voor gebruik door ML-modellen.
• De componenten van een ML-pijplijn te begrijpen en de tools die nodig zijn om er één te bouwen.
• Te experimenteren met verschillende machine learning-frameworks en servers voor implementatie in productie.
• Het volledige Machine Learning-proces te 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.