Docker für MLOps: End-to-End Pipeline Containerisierung Schulung

Dieses von einem Dozenten geleitete Live-Training in Österreich (online oder vor Ort) richtet sich an Ingenieure, die ihre Docker-Kenntnisse vertiefen möchten, um Anwendungen im größeren Maßstab bereitzustellen, ohne die Kontrolle zu verlieren.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Ihre eigenen Docker-Images zu bauen.
• Eine große Anzahl von Docker-Anwendungen bereitzustellen und zu verwalten.
• Verschiedene Container-Orchestrierungslösungen zu bewerten und die am besten geeignete auszuwählen.
• Einen stetigen Integrationsprozess für Docker-Anwendungen einzurichten.
• Docker-Anwendungen in bestehende stetige Integrationsprozesse zu integrieren.
• Ihre Docker-Anwendungen abzusichern.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Ihre eigenen Docker-Images zu erstellen.
• Eine große Anzahl von Docker-Anwendungen bereitzustellen und zu verwalten.
• Verschiedene Container-Orchestrierungslösungen zu evaluieren und die am besten geeignete auszuwählen.
• Einen kontinuierlichen Integrationsprozess für Docker-Anwendungen einzurichten.
• Integrieren Sie Docker-Anwendungen in bestehende kontinuierliche Integrationsprozesse von Tools.
• Ihre Docker-Anwendungen zu sichern.
• Verwendung von Kubernetes zur Bereitstellung und Verwaltung verschiedener Umgebungen im selben Cluster
• Sichern, Skalieren und Überwachen eines Kubernetes-Clusters

Diese vom Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an KI-Ingenieure und Data Scientists auf fortgeschrittenem Niveau mit mittleren bis fortgeschrittenen Kenntnissen, die die Leistung von DeepSeek-Modellen verbessern, Latenzzeiten minimieren und KI-Lösungen effizient mithilfe moderner MLOps-Praktiken bereitstellen möchten.

Am Ende dieser Schulung sind die Teilnehmer in der Lage:

• DeepSeek-Modelle hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit zu optimieren.
• Bewährte Praktiken für MLOps und Modelversionierung umzusetzen.
• DeepSeek-Modelle in Cloud- und On-Premise-Infrastrukturen bereitzustellen.
• KI-Lösungen effektiv zu überwachen, zu warten und zu skalieren.

Docker ist eine Containerisierungsplattform, die konsistente, portable und reproduzierbare Umgebungen für AI- und Machine-Learning-Aufgaben bereitstellt.

Diese von einem Dozenten geleitete Live-Schulung (online oder vor Ort) richtet sich an fortgeschrittene Fachkräfte, die ML-Codebasen, Abhängigkeiten und Modelle mit Docker für verlässliche Entwicklungs- und Produktionsabläufe konsolidieren möchten.

Nach Abschluss dieses Kurses werden die Teilnehmer in der Lage sein:

• Docker-Images für AI- und ML-Anwendungen zu erstellen und zu verwalten.
• Machine-Learning-Pipelines, Tools und Abhängigkeiten in Containern zu betreiben.
• Docker-Umgebungen für Leistungsfähigkeit und Portabilität zu optimieren.
• Containerisierte ML-Dienste in verschiedenen Laufzeitumgebungen bereitzustellen.

Kursformat

• Konzeptdemonstrationen, unterstützt durch geleitete Diskussionen.
• Praktische Übungen mit Fokus auf realistische Containerisierungsaufgaben.
• Praktische Implementierung in Live-Lab Docker-Umgebungen.

Anpassungsoptionen des Kurses

• Um diesen Kurs für Ihre organisatorische Umgebung anzupassen, kontaktieren Sie uns bitte, um die Anforderungen zu besprechen.

Diese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud mit AWS EKS (Elastic Kubernetes Service).
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ausführen ganzer Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen.
• Verwendung von Kubeflow zum Erzeugen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Dieses von einem Dozenten geleitete, live Training (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning Workloads auf einem AWS EC2 Server bereitstellen möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Kubernetes, Kubeflow und andere benötigte Software auf AWS zu installieren und zu konfigurieren.
• EKS (Elastic Kubernetes Service) zu verwenden, um die Arbeit der Initialisierung eines Kubernetes Clusters auf AWS zu vereinfachen.
• Einen Kubernetes Pipeline zu erstellen und bereitzustellen, um die Automatisierung und Verwaltung von ML Modellen in Produktion zu steuern.
• TensorFlow ML Modelle über mehrere GPUs und Maschinen hinweg, die parallel laufen, zu trainieren und bereitzustellen.
• Andere verwaltete AWS Dienste zu nutzen, um eine ML Anwendung zu erweitern.

Dieses durch einen Trainer geleitete, live-Training in Österreich (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning-Arbeitslasten in der Azure Cloud bereitstellen möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Kubernetes, Kubeflow und andere benötigte Software auf Azure zu installieren und zu konfigurieren.
• Azure Kubernetes Service (AKS) zur Vereinfachung der Initialisierung eines Kubernetes-Clusters in Azure zu verwenden.
• Eine Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion zu erstellen und bereitzustellen.
• TensorFlow-ML-Modelle auf mehreren GPUs und Maschinen, die parallel laufen, zu trainieren und bereitzustellen.
• Andere verwaltete AWS-Dienste zur Erweiterung einer ML-Anwendung zu nutzen.

Kubeflow ist eine Open-Source-Plattform, die entwickelt wurde, um das Erstellen, Training und Bereitstellen von Machine-Learning-Aufgaben in Kubernetes zu vereinfachen.

Dieses von einem Dozenten geleitete Live-Training (online oder vor Ort) richtet sich an Anfänger- bis Fortgeschrittenene, die lernen möchten, verlässliche ML-Workflows mit Kubeflow zu erstellen.

Nach Abschluss dieses Trainings werden die Teilnehmer die Fähigkeiten erworben haben, um:

• Sich in das Kubeflow-Ökosystem und die Kernkomponenten zu navigieren.
• Wiederholbare Workflows mit Kubeflow Pipelines zu erstellen.
• Skalierbare Training-Jobs in Kubernetes auszuführen.
• Maschinelles Lernen-Modelle effizient mit Kubeflow Serving bereitzustellen.

Kursformat

• Geführte Präsentationen und kooperative Diskussionen.
• Hands-on-Lab mit echten Kubeflow-Komponenten.
• Praktische Übungen zum Erstellen von end-to-end-ML-Workflows.

Kursanpassungsoptionen

• Angepasste Versionen dieses Trainings können angeordnet werden, um sich an die Technologie-Stack und Projektanforderungen Ihres Teams anzupassen.

Diese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud.
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ganze Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen auszuführen.
• Verwendung von Kubeflow zum Erstellen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, die über die Erstellung von ML-Modellen hinausgehen und den Prozess der Erstellung, Verfolgung und Bereitstellung von ML-Modellen optimieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von MLflow und verwandten ML-Bibliotheken und -Frameworks.
• die Bedeutung der Nachvollziehbarkeit, Reproduzierbarkeit und Einsatzfähigkeit eines ML-Modells zu erkennen
• ML-Modelle auf verschiedenen öffentlichen Clouds, Plattformen oder On-Premise-Servern bereitzustellen.
• Skalierung des ML-Bereitstellungsprozesses, um die Zusammenarbeit mehrerer Benutzer an einem Projekt zu ermöglichen.
• Einrichtung eines zentralen Registers, um mit ML-Modellen zu experimentieren, sie zu reproduzieren und einzusetzen.

Diese vom Dozenten geführte Live-Schulung in Österreich (online oder vor Ort) richtet sich an Ingenieure, die die heutigen Ansätze und Tools bewerten möchten, um eine fundierte Entscheidung für den künftigen Einsatz von MLOps in ihrer Organisation zu treffen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Verschiedene MLOps-Frameworks und Tools zu installieren und zu konfigurieren.
• Das richtige Team mit den richtigen Fähigkeiten zusammenzustellen, um ein MLOps-System aufzubauen und zu unterstützen.
• Daten für die Verwendung durch ML-Modelle vorzubereiten, zu validieren und zu versionieren.
• Die Komponenten eines ML-Pipelines und die benötigten Tools zu verstehen.
• Verschiedene Machine-Learning-Frameworks und -Server für die Produktionsbereitstellung auszuprobieren.
• Den gesamten Prozess des maschinellen Lernens so zu operationalisieren, dass er reproduzierbar und wartbar ist.

Diese von einem Dozenten geleitete, live-Training (online oder vor Ort) richtet sich an maschinelles Lernen Ingenieure, die lernen möchten, wie sie Azure Machine Learning und Azure DevOps verwenden können, um MLOps-Praktiken zu implementieren.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Reproduzierbare Workflows und maschinelle Lernmodelle erstellen.
• Den Lebenszyklus des maschinellen Lernens verwalten.
• Die Versionsgeschichte, Ressourcen und weitere Informationen der Modelle nachzuverfolgen und zu dokumentieren.
• Bereitstellungsreife maschinelle Lernmodelle überall bereitzustellen.

MLOps auf Kubernetes ist ein Framework zur Automatisierung des Trainings, der Validierung, Verpackung und Bereitstellung von Modellen maschinellen Lernens unter Verwendung containerisierter Pipelines und GitOps-Workflows.

Dieses von einem Dozenten angeleitete Live-Training (online oder vor Ort) richtet sich an fortgeschrittene Praktiker, die automatisierte, skalierbare MLOps-Pipelines auf Kubernetes erstellen möchten.

Nach Abschluss dieses Trainings werden die Teilnehmer in der Lage sein:

• End-to-End CI/CD-Pipelines für maschinelles Lernen zu entwickeln.
• GitOps-Workflows für die Bereitstellung und Versionsverwaltung von Modellen umzusetzen.
• Das Training, Testen und Verpacken von ML-Modellen zu automatisieren.
• Monitoring, Alarmierung und Rollback-Strategien zu integrieren.

Kursformat

• Von einem Dozenten angeleitete Präsentationen und technische Tiefgangsbesprechungen.
• Hands-on-Übungen zur Erstellung realer CI/CD-Workflows.
• Live-Lab-Praxis bei der Bereitstellung von ML-Arbeitslasten auf Kubernetes.

Kursanpassungsmöglichkeiten

• Organisationen können auf Wunsch angepassten Inhalt anfordern, der mit ihren internen MLOps-Tools und -Infrastruktur ausgerichtet ist.