Kubeflow on AWS Schulung

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:

• Installieren und Konfigurieren von MLflow und verwandten ML-Bibliotheken und -Frameworks.
• Erkennen der Bedeutung von Nachvollziehbarkeit, Reproduzierbarkeit und Einsatzfähigkeit eines ML-Modells
• ML-Modelle auf verschiedenen öffentlichen Clouds, Plattformen oder On-Premise-Servern bereitstellen.
• Skalieren Sie den ML-Bereitstellungsprozess, um die Zusammenarbeit mehrerer Benutzer an einem Projekt zu ermöglichen.
• Einrichten eines zentralen Registers zum Experimentieren, Reproduzieren und Bereitstellen von ML-Modellen.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die eine DynamoDB NoSQL-Datenbank in eine auf AWS gehostete Webanwendung integrieren möchten.

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

• Richten Sie die erforderliche Entwicklungsumgebung ein, um mit der Integration von Daten in DynamoDB zu beginnen.
• Integrieren Sie DynamoDB in Webanwendungen und mobile Anwendungen.
• Daten in AWS mit AWS-Services verschieben.
• Implementieren Sie Operationen mit AWS DAX.

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die mit AWS CloudFormation den Prozess der Verwaltung der AWS-Cloud-Infrastruktur automatisieren möchten.

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

• Aktivieren Sie AWS-Services, um mit der Verwaltung der Infrastruktur zu beginnen.
• Das Prinzip von "Infrastruktur als Code" verstehen und anwenden.
• Steigern Sie die Qualität und senken Sie die Kosten für die Bereitstellung der Infrastruktur.
• Schreiben von AWS CloudFormation Templates mit YAML.

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Cloud-Ingenieure und -Entwickler, die CloudFormation zur Verwaltung von Infrastrukturressourcen innerhalb des AWS-Ökosystems verwenden möchten.

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

• Implementieren Sie CloudFormation-Vorlagen zur Automatisierung der Infrastrukturverwaltung.
• Integrieren Sie vorhandene AWS-Ressourcen in CloudFormation.
• Verwenden Sie StackSets, um Stacks über mehrere Konten und Regionen hinweg zu verwalten.

Diese von einem Ausbilder geleitete Live-Schulung (vor Ort oder per Fernzugriff) richtet sich an Ingenieure, die IoT-Geräte auf AWS bereitstellen und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein, eine IoT-Plattform aufzubauen, die die Bereitstellung und Verwaltung eines Backends, eines Gateways und von Geräten auf AWS umfasst.

Summery:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Alerts and events
• Sensor calibration

Summary:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage using DynamoDB.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Hands on with Raspberry PI and AWS IoT Core to build a smart device.
• Sensor data visualization and communication with web interface.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die die Greengrass-Funktionen installieren, konfigurieren und verwalten möchten, um Anwendungen für verschiedene Geräte zu erstellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein, mit AWS IoT Greengrass Anwendungen auf intelligenten Geräten zu erstellen, bereitzustellen, zu verwalten, zu sichern und zu überwachen.

Diese Live-Schulung unter Anleitung eines Trainers (vor Ort oder per Fernzugriff) richtet sich an Entwickler, die mit AWS Lambda Dienste und Anwendungen in der Cloud erstellen und bereitstellen möchten, ohne sich um die Bereitstellung der Ausführungsumgebung (Server, VMs und Container, Verfügbarkeit, Skalierbarkeit, Speicher usw.) kümmern zu müssen.

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

• Konfigurieren Sie AWS Lambda, um eine Funktion auszuführen.
• FaaaS (Functions as a Service) und die Vorteile der serverlosen Entwicklung verstehen.
• Erstellen, Hochladen und Ausführen von AWS Lambda Funktionen.
• Lambda-Funktionen mit verschiedenen Ereignisquellen integrieren.
• Paketieren, Bereitstellen, Überwachen und Fehlerbehebung von Lambda-basierten Anwendungen.

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Entwickler, die AWS Lambda-Anwendungen und -Services mit anderen Services (API Gateway, Kinesis Streams usw.) integrieren möchten. In der Schulung wird gezeigt, wie die browserbasierte AWS Cloud9 IDE zur gemeinsamen Entwicklung von Software verwendet wird.  

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

• Kollaborative Entwicklung von Funktionen, Anwendungen und Services mit AWS Cloud9 IDE.
• Integrieren Sie AWS Lambda-Funktionen mit anderen AWS-Services.
• Erstellen und Verwalten von APIs.
• Einrichten einer AWS Lambda-Funktion zum Lesen und Verarbeiten von Echtzeit-Streaming-Daten.
• Erstellen und Verwalten einer kontinuierlichen Integrationspipeline zum Erstellen, Testen und Bereitstellen von AWS Lambda-Funktionen und Anwendungen.

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die die heute verfügbaren Ansätze und Werkzeuge bewerten möchten, um eine intelligente Entscheidung über den weiteren Weg bei der Einführung von MLOps in ihrem Unternehmen zu treffen.

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

• Installation und Konfiguration verschiedener MLOps Frameworks und Tools.
• Das richtige Team mit den richtigen Fähigkeiten für den Aufbau und die Unterstützung eines MLOps Systems zusammenstellen.
• Daten für die Verwendung durch ML-Modelle vorbereiten, validieren und versionieren.
• Verstehen Sie die Komponenten einer ML-Pipeline und die für den Aufbau einer solchen benötigten Tools.
• Mit verschiedenen Frameworks für maschinelles Lernen und Servern für den Einsatz in der Produktion experimentieren.
• Den gesamten Prozess des maschinellen Lernens so zu gestalten, dass er reproduzierbar und wartbar ist.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Techniker, die Machine Learning Workloads in der Azure-Cloud bereitstellen möchten.

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

• Installieren und konfigurieren Sie Kubernetes, Kubeflow und andere benötigte Software auf Azure.
• Verwenden Sie Azure Kubernetes Service (AKS), um die Initialisierung eines Kubernetes-Clusters auf Azure zu vereinfachen.
• Erstellen und Bereitstellen einer Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion.
• Trainieren und Bereitstellen von TensorFlow ML-Modellen auf mehreren parallel laufenden GPUs und Computern.
• Nutzen Sie andere verwaltete AWS-Services, um eine ML-Anwendung zu erweitern.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning Workloads auf der Google Cloud Platform (GCP) bereitstellen möchten.

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

• Installieren und konfigurieren Sie Kubernetes, Kubeflow und andere benötigte Software auf GCP und GKE.
• Verwenden Sie GKE (Kubernetes Kubernetes Engine), um die Arbeit der Initialisierung eines Kubernetes-Clusters auf GCP zu vereinfachen.
• Erstellen und Bereitstellen einer Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion.
• Trainieren und implementieren Sie TensorFlow ML-Modelle auf mehreren parallel laufenden GPUs und Maschinen.
• Nutzen Sie andere GCP-Dienste, um eine ML-Anwendung zu erweitern.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Techniker, die Machine Learning Workloads auf IBM Cloud Kubernetes Service (IKS) bereitstellen möchten.

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

• Installieren und konfigurieren Sie Kubernetes, Kubeflow und andere benötigte Software auf IBM Cloud Kubernetes Service (IKS).
• Nutzen Sie IKS, um die Arbeit der Initialisierung eines Kubernetes-Clusters auf IBM Cloud zu vereinfachen.
• Erstellen und Bereitstellen einer Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion.
• Trainieren und implementieren Sie TensorFlow ML-Modelle auf mehreren GPUs und Maschinen, die parallel laufen.
• Nutzen Sie andere IBM Cloud Services, um eine ML-Anwendung zu erweitern.

Diese von einem Trainer geleitete Live-Schulung (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 Kubeflow vor Ort und in der Cloud mit AWS EKS (Elastic Kubernetes Service).
• Erstellen, Bereitstellen und Verwalten von ML-Workflows auf Basis von Docker-Containern und Kubernetes.
• Gesamte Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen ausführen.
• Mit Kubeflow Jupyter-Notebooks erstellen und verwalten.
• Erstellen von ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg.