Kubeflow na Azure Počítačový Kurz

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na pokročilé inženýry AI a datové vědce se středně pokročilou až pokročilou zkušeností, kteří chtějí zlepšit DeepSeek výkon modelu, minimalizovat latenci a nasadit AI. řešení efektivně využívající moderní MLOps postupy.

Na konci tohoto školení budou účastníci schopni:

• Optimalizujte modely DeepSeek pro efektivitu, přesnost a škálovatelnost.
• Implementujte osvědčené postupy pro MLOps a modelování verzí.
• Nasaďte modely DeepSeek v cloudové a místní infrastruktuře.
• Efektivně monitorujte, udržujte a škálujte řešení AI.

Toto školení umožňuje delegátům zlepšit své dovednosti v návrhu řešení Microsoft Azure.

Po absolvování tohoto školení delegáti budou rozumět funkcím a možnostem služeb Azure, což jim umožní identifikovat kompromisy a rozhodovat o návrhu veřejných a hybridních cloudu.

Během školení budou definovány příslušné infrastruktury a platformy, které splňují požadované funkční, operační a nasazení požadavky v životním cyklu řešení.

Azure Bot Service kombinuje sílu Microsoft Bot Framework a Azure Functions, aby umožnil rychlý vývoj inteligentních chatbotů.

V tomto instruktorem vedeném živém školení se účastníci naučí, jak snadno vytvořit inteligentní chatbota pomocí Microsoft Azure

Konce školení si účastníci budou moci:

• Naučit se základy inteligentních chatbotů
• Naučit se, jak vytvářet inteligentní chatboty pomocí cloudu
• Pochopit, jak používat Microsoft Bot Framework, Bot Builder SDK a Azure Bot Service
• Porozumět návrhu chatbotů s využitím botových vzorů
• Vyvinout svůj první inteligentní chatbota pomocí Microsoft Azure

Cílová skupina

• Vývojáři
• Hobbyisté
• Inženýři
• IT profesionálové

Formát kurzu

• Poledne přednášek, polovina diskuse, cvičení a intenzivní praktické procvičování

Docker je platforma pro kontejnerizaci, která se používá k vytváření reprodukovatelných, přenosných a škálovatelných prostředí pro ML systémy.

Tato instruktorem vedená živá školení (online nebo na místě) je určená pokročilým technickým profesionálům, kteří chtějí kontejnerizovat a provozovat kompletní ML datové potoky pomocí Dockeru.

Po absolvování tohoto školení budou účastníci schopni:

• Kontejnerizovat výpočetní zátěže pro trénink, ověřování a inferenci ML.
• Návrh a orchestrování end-to-end ML datových potoků pomocí Dockeru a podporujících nástrojů.
• Implementace verzování, reprodukovatelnosti a CI/CD pro ML komponenty.
• Nasazení, monitorování a škálování ML služeb v kontejnerizovaných prostředích.

Formát kurzu

• Interaktivní přednášky podporované praktickými demonstracemi.
• Přímočará cvičení zaměřená na vytváření skutečných komponent ML datových potoků.
• Implementace živé laboratoře pro end-to-end kontejnerizované pracovní postupy.

Možnosti přizpůsobení kurzu

• Pro školení přizpůsobené konkrétním potřebám ML infrastruktury se prosím obraťte na nás pro diskusi o možnostech.

V tomto instruktorovském tréninku v České republice (na místě nebo vzdáleně) se účastníci naučí základní koncepty, komponenty a služby Microsoft Azure, kdy postupně budují ukázkovou cloudovou aplikaci.

Na konci tohoto tréninku budou účastníci schopni:

• Chápání základů Microsoft Azure
• Chápání různých nástrojů a služeb Azure
• Naučit se, jak používat Azure k vytváření cloudových aplikací

Internet of Things (IoT) je síťová infrastruktura, která bezdrátově propojuje fyzické objekty a softwarové aplikace, což jim umožňuje vzájemně komunikovat a vyměňovat si data prostřednictvím síťové komunikace, cloud computingu a sběru dat. Azure je komplexní sada cloudových služeb, která nabízí sadu IoT skládající se z předkonfigurovaných řešení, která pomáhají vývojářům urychlit vývoj projektů IoT.

V tomto živém školení vedeném instruktorem se účastníci naučí, jak vyvíjet aplikace IoT pomocí Azure.

Na konci tohoto školení budou účastníci schopni:

• Pochopte základy architektury IoT
• Nainstalujte a nakonfigurujte Azure IoT Suite
• Seznamte se s výhodami používání Azure při programování systémů IoT
• Implementujte různé Azure služby IoT (IoT Hub, Funkce, Stream Analytics, Power BI, Cosmos DB, DocumentDB, zařízení IoT Management)
• Vytvářejte, testujte, nasazujte a řešte problémy se systémem IoT pomocí Azure

Publikum

• Vývojáři
• Inženýři

Formát kurzu

• Část přednáška, část diskuse, cvičení a těžké praktické cvičení

Poznámka

• Chcete-li požádat o školení na míru pro tento kurz, kontaktujte nás a domluvíme se.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře a datové vědce, kteří chtějí vytvářet, nasazovat a spravovat pracovní postupy strojového učení na Kubernetes.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Kubeflow na místě a v cloudu pomocí AWS EKS (Elastic Kubernetes Service).
• Vytvářejte, nasazujte a spravujte pracovní postupy ML založené na Docker kontejnerech a Kubernetes.
• Spusťte celé kanály strojového učení na různých architekturách a cloudových prostředích.
• Použití Kubeflow k vytvoření a správě poznámkových bloků Jupyter.
• Vytvářejte školení ML, ladění hyperparametrů a obsluhu úloh na více platformách.

Toto instruktorem vedené živé školení (online nebo na místě) je určeno inženýrům, kteří se chtějí naučit nasazovat pracovní úlohy strojového učení na AWS EC2 serveru.

Na konci tohoto školení budou účastníci schopni:

• Nainstalovat a nakonfigurovat Kubernetes, Kubeflow a ostatní potřebný software na AWS.
• Používat EKS (Elastic Kubernetes Service) k zjednodušení inicializace clusteru Kubernetes na AWS.
• Vytvářet a nasazovat Kubernetes pipeline pro automatizaci a správu ML modelů v produkčním prostředí.
• Trénovat a nasazovat TensorFlow ML modely napříč více GPU a počítači běžícími paralelně.
• Využívat jiné spravované služby AWS k rozšíření aplikace ML.

Kubeflow je open-source platforma navržená k zjednodušení vytváření, trénování a nasazování pracovních úloh strojového učení na Kubernetes.

Tato školení pod vedením instruktora (online nebo na místě) je určena začátečním až středně pokročilým profesionálům, kteří se chtějí naučit sestavovat spolehlivé pracovní postupy strojového učení pomocí Kubeflow.

Po absolvování tohoto školení budou účastníci získávat dovednosti k:

• Pohybu v ekosystému Kubeflow a jeho hlavních komponentách.
• Sestavování reproducibilních pracovních postupů pomocí Kubeflow Pipelines.
• Spouštění škálovatelných tréninkových úloh na Kubernetes.
• Efektivnímu nasazování modelů strojového učení pomocí Kubeflow Serving.

Formát kurzu

• Řízená prezentace a společná diskuse.
• Praktické laboratoře s reálnými komponentami Kubeflow.
• Praktické cvičení k vytváření pracovních postupů ML od konce do konce.

Možnosti přizpůsobení kurzu

• Přizpůsobené verze tohoto školení mohou být upraveny tak, aby odpovídaly technologickému stacku a požadavkům vašeho týmu.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na vývojáře a datové vědce, kteří chtějí vytvářet, nasazovat a spravovat pracovní postupy strojového učení na Kubernetes.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Kubeflow na místě a v cloudu.
• Vytvářejte, nasazujte a spravujte pracovní postupy ML založené na Docker kontejnerech a Kubernetes.
• Spusťte celé kanály strojového učení na různých architekturách a cloudových prostředích.
• Použití Kubeflow k vytvoření a správě poznámkových bloků Jupyter.
• Vytvářejte školení ML, ladění hyperparametrů a obsluhu úloh na více platformách.

Toto živé školení vedené instruktorem (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí jít nad rámec vytváření modelů ML a optimalizovat proces vytváření, sledování a nasazení modelu ML.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte MLflow a související knihovny a rámce ML.
• Oceňujte důležitost sledovatelnosti, reprodukovatelnosti a rozmístitelnosti modelu ML
• Nasaďte modely ML na různé veřejné cloudy, platformy nebo místní servery.
• Škálujte proces nasazení ML tak, aby vyhovoval více uživatelům spolupracujícím na projektu.
• Nastavte centrální registr pro experimentování s modely ML, jejich reprodukci a nasazení.

Toto instruktorem vedené živé školení (online nebo na místě) je určeno inženýrům, kteří chtějí posoudit přístupy a nástroje dostupné dnes pro inteligentní rozhodnutí o dalším postupu v implementaci MLOps ve své organizaci.

Na konci tohoto školení budou účastníci schopni:

• Nainstalovat a nakonfigurovat různé MLOps frameworky a nástroje.
• Sestavit správný tým se správnými dovednostmi pro vytváření a podporu MLOps systému.
• Připravovat, ověřovat a verze data pro použití ML modely.
• Chápat komponenty ML Pipeline a nástroje potřebné k vytvoření jednoho.
• Vyzkoušet různé machine learning frameworky a servery pro nasazení do produkčního prostředí.
• Operationalizovat celý proces Machine Learning tak, aby byl reprodukovatelný a udržitelný.

Toto instruktorem vedené živé školení (online nebo na místě) je určeno inženýrům strojového učení, kteří chtějí použít Azure Machine Learning a Azure DevOps pro podporu MLOps praxe.

Na konci tohoto školení budou účastníci schopni:

• Vytvářet reprodukovatelné pracovní postupy a modely strojového učení.
• Spravovat životní cyklus strojového učení.
• Sledovat a sdílet historii verzí modelů, assety a další informace.
• Nasazovat produkčně připravené modely strojového učení kdekoli.

MLOps na Kubernetes je rámec pro automatizaci tréninku, ověřování, balení a nasazování modelů strojového učení pomocí kontejnerizovaných potoků a pracovních postupů GitOps.

Toto školení vedené instruktorem (online nebo na místě) je zaměřeno na odborníky středního levelu, kteří chtějí postavit automatizované a škálovatelné MLOps potoky na Kubernetes.

Po absolvování tohoto školení budou účastníci připraveni:

• Návrh end-to-end CI/CD potoků pro strojové učení.
• Implementace pracovních postupů GitOps pro nasazení a verze modelů.
• Automatizace tréninku, testování a balení ML modelů.
• Integrace monitorování, upozorňování a strategií navracení zpět.

Formát kurzu

• Prezentace vedená instruktorem a technické detaily.
• Praktické cvičení, která budují skutečné CI/CD pracovní postupy.
• Praxe v laboratoři nasazováním ML úloh na Kubernetes.

Možnosti přizpůsobení kurzu

• Organizace mohou požadovat obsah upravený podle jejich interních nástrojů MLOps a infrastruktury.