
En línea o en el sitio, los cursos de capacitación MLOps en vivo dirigidos por un instructor demuestran a través de la práctica interactiva cómo usar las herramientas MLOps para automatizar y optimizar la implementación y el mantenimiento de los sistemas ML en producción.
La capacitación de MLOps está disponible como "capacitación en vivo en línea" o "capacitación en vivo en el sitio". La capacitación en vivo en línea (también conocida como "capacitación remota en vivo") se lleva a cabo a través de un escritorio remoto interactivo <a href = "https://www.dadesktop.com/>". La capacitación en vivo in situ se puede llevar a cabo localmente en las instalaciones del cliente en Peru o en los centros de capacitación corporativa de NobleProg en Peru.
NobleProg -- Su proveedor local de capacitación
Machine Translated
Algunos de nuestros clientes


















































Programa del curso MLOps
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en AWS.
Utilice EKS (Servicio Elástico Kubernetes) para simplificar el trabajo de iniciación de un cluster Kubernetes en AWS.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Leverage otros servicios gestionados por AWS para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en Azure.
Utilice Azure Kubernetes Servicio (AKS) para simplificar el trabajo de iniciar un Kubernetes cluster en Azure.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Leverage otros servicios gestionados por AWS para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en GCP y GKE.
Utilice GKE (Kubernetes Kubernetes Motor) para simplificar el trabajo de iniciar un Kubernetes cluster en GCP.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Ofrecer otros servicios de GCP para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en IBM Cloud Kubernetes Service (IKS).
Utilice IKS para simplificar el trabajo de iniciar un cluster Kubernetes en IBM Cloud.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Leverage otros servicios de IBM Cloud para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar diferentes MLOps cuadros y herramientas.
Reunir el tipo adecuado de equipo con las habilidades adecuadas para construir y apoyar un sistema MLOps.
Preparación, validación y versión de los datos para el uso por los modelos ML.
Comprender los componentes de un tubo ML y las herramientas necesarias para construir uno.
Experimenta con diferentes sistemas de aprendizaje de máquina y servidores para el despliegue a la producción.
Operar todo el proceso Machine Learning para que sea reproducible y sostenible.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubeflow en la premisa y en la nube utilizando AWS EKS (Servicio Elástico Kubernetes).
Construcción, implementación y gestión de flujos de trabajo ML basados en Docker contenedores y Kubernetes.
Ejecuta todos los tubos de aprendizaje de máquina en diversas arquitecturas y en ambientes en la nube.
Usar Kubeflow para espallar y gestionar las notas de Jupyter.
Construye la formación de ML, el tuning de hiperparámetros y el servicio de cargas de trabajo en múltiples plataformas.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Al final de esta capacitación, los participantes serán capaces de:
Instale y configure Kubernetes y Kubeflow en un clúster de OpenShift.
Utilice OpenShift para simplificar el trabajo de inicialización de un clúster de Kubernetes.
Cree e implemente una canalización de Kubernetes para automatizar y administrar modelos de ML en producción.
Entrene e implemente TensorFlow modelos de ML en varias GPU y máquinas que se ejecutan en paralelo.
Llame a los servicios de nube pública (por ejemplo, los servicios de AWS) desde OpenShift para ampliar una aplicación de ML.
-
Conferencia interactiva y discusión.
Muchos ejercicios y práctica.
Implementación práctica en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, póngase en contacto con nosotros para concertar una cita.
-
Instalar y configurar Kubeflow en la premisa y en la nube.
Construcción, implementación y gestión de flujos de trabajo ML basados en Docker contenedores y Kubernetes.
Ejecuta todos los tubos de aprendizaje de máquina en diversas arquitecturas y en ambientes en la nube.
Usar Kubeflow para espallar y gestionar las notas de Jupyter.
Construye la formación de ML, el tuning de hiperparámetros y el servicio de cargas de trabajo en múltiples plataformas.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Para saber más sobre Kubeflow, por favor visite: https://github.com/kubeflow/kubeflow
-
Instalar y configurar MLflow y bibliotecas y cuadros ML relacionados.
Valorar la importancia de la rastreabilidad, reproductibilidad y implementación de un modelo ML
Despliegue los modelos ML a diferentes nubes públicos, plataformas o servidores en prisión.
Escale el proceso de implementación de ML para alojar a múltiples usuarios que colaboran en un proyecto.
Establecer un registro central para experimentar, reproducir y implementar los modelos ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Last Updated: