MLOps auf Kubernetes: CI/CD-Pipelines für maschinelles Lernen Schulung

Nach Abschluss dieser Schulung werden die Teilnehmer in der Lage sein:

• Eigene Docker-Images zu erstellen.
• Eine große Anzahl von Docker-Anwendungen bereitzustellen und zu verwalten.
• Verschiedene Container-Orchestrierungslösungen zu bewerten und die am besten geeignete auszuwählen.
• Ein Continuous-Integration-Prozess für Docker-Anwendungen einzurichten.
• Docker-Anwendungen in bestehende kontinuierliche Integrationstools-Integrationsprozesse zu integrieren.
• Ihre Docker-Anwendungen abzusichern.
• Kubernetes einzusetzen, um verschiedene Umgebungen innerhalb desselben Clusters bereitzustellen und zu verwalten.
• Den Kubernetes-Cluster abzusichern, zu skalieren und zu überwachen.

Dieses instruktorgeleitete Live-Training in Österreich (online oder vor Ort) richtet sich an erfahrene KI-Ingenieure und Data Scientists mit mittlerem bis fortgeschrittenem Erfahrungsstand, die ihre Fähigkeit zur Verbesserung der DeepSeek-Modellleistung, zur Minimierung von Latenzzeiten und zur effizienten Bereitstellung von KI-Lösungen mittels moderner MLOps-Praktiken stärken möchten.

Nach Abschluss dieses Trainings sind die Teilnehmer in der Lage:

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

Dieser Instructor-led-Livetrainingskurs in Österreich (online oder vor Ort) richtet sich an erfahrene Platform Engineers und DevOps-Professionals, die das Skalieren von Anwendungen mit Microservices und Kubernetes beherrschen möchten.

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

• Skalierbare Microservice-Architekturen zu entwerfen und umzusetzen.
• Anwendungen auf Kubernetes-Clustern bereitzustellen und zu verwalten.
• Helm-Charts für eine effiziente Service-Bereitstellung zu nutzen.
• Die Gesundheit von Microservices in der Produktion zu überwachen und zu pflegen.
• Bewährte Praktiken für Sicherheit und Compliance in einer Kubernetes-Umgebung anzuwenden.

Diese von einem Dozenten geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Kubernetes-Praktiker, die sich auf die CKS-Prüfung vorbereiten möchten.

Nach Abschluss dieser Schulung werden die Teilnehmer wissen, wie sie Kubernetes-Umgebungen und containerbasierte Anwendungen in den verschiedenen Phasen des Lebenszyklus einer Anwendung – Build, Deployment und Runtime – absichern können.

Dieses Instructor-Led-Live-Training in Österreich (Online oder vor Ort) richtet sich an Ingenieurinnen und Ingenieure, die Helm nutzen möchten, um den Prozess der Installation und Verwaltung von Kubernetes-Anwendungen zu vereinfachen.

Am Ende dieses Trainings können die Teilnehmer:

• Helm installieren und konfigurieren.
• Reproduzierbare Builds von Kubernetes-Anwendungen erstellen.
• Anwendungen als Helm-Charts bereitstellen.
• Drittanbieter-Anwendungen, die als Helm-Charts gespeichert sind, ausführen.
• Releases von Helm-Paketen verwalten.

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

Nach Abschluss dieser Schulung sind die Teilnehmer in der Lage:

• Kubeflow on-premises und in der Cloud zu installieren und zu konfigurieren.
• ML-Workflows basierend auf Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Komplette maschinelle Lern-Pipelines auf verschiedenen Architekturen und Cloud-Umgebungen auszuführen.
• Kubeflow zur Erzeugung und Verwaltung von Jupyter-Notebooks zu nutzen.
• Workloads für ML-Training, Hyperparameter-Tuning und Serving über mehrere Plattformen hinweg aufzubauen.

Diese dozentengestützte Live-Schulung in Österreich (online oder vor Ort) richtet sich an Entwickler und DevOps-Experten mit grundlegenden bis fortgeschrittenen Kenntnissen, die lernen möchten, wie man eine lokale Kubernetes-Umgebung mit Minikube einrichtet und verwaltet.

Nach Abschluss dieser Schulung werden die Teilnehmer in der Lage sein:

• Minikube auf ihrem lokalen Rechner zu installieren und zu konfigurieren.
• Die grundlegenden Konzepte und die Architektur von Kubernetes zu verstehen.
• Container mit kubectl und dem Minikube-Dashboard bereitzustellen und zu verwalten.
• Persistente Speicher- und Netzwerklösungen für Kubernetes einzurichten.
• Minikube zur Entwicklung, zum Testen und zum Debuggen von Anwendungen zu nutzen.

Dieser vom Instructor geleitete Live-Training in Österreich (online oder vor Ort) richtet sich an Entwickler und DevOps-Ingenieure mit mittleren Kenntnissen, die Minikube in ihren Entwicklungsprozess integrieren möchten.

Nach Abschluss dieses Trainings können die Teilnehmer Folgendes tun:

• Eine lokale Kubernetes-Umgebung mit Minikube einrichten und verwalten.
• Verstehen, wie Anwendungen auf Minikube bereitgestellt, verwaltet und debuggt werden.
• Minikube in ihre Continuous-Integration- und Continuous-Deployment-Pipelines (CI/CD) integrieren.
• Den Entwicklungsprozess durch die erweiterten Funktionen von Minikube optimieren.
• Best Practices für die lokale Kubernetes-Entwicklung anwenden.

Dieses von Dozenten geleitete Live-Training in Österreich (online oder vor Ort) richtet sich an Ingenieure, die die heutigen Ansätze und verfügbaren Tools bewerten möchten, um fundierte Entscheidungen über den weiteren Weg zur Einführung von MLOps in ihrer Organisation treffen zu können.

Nach Abschluss dieses Trainings sind die Teilnehmer in der Lage:

• Verschiedene MLOps-Frameworks und -Tools zu installieren und zu konfigurieren.
• Ein Team mit den richtigen Kompetenzen für den Aufbau und die Unterstützung eines MLOps-Systems zusammenzustellen.
• Daten für die Nutzung durch ML-Modelle vorzubereiten, zu validieren und zu versionieren.
• Die Komponenten eines ML-Pipelines und die benötigten Tools zum Aufbau eines solchen zu verstehen.
• Mit verschiedenen Machine-Learning-Frameworks und Servern für den Einsatz in der Produktion zu experimentieren.
• Den gesamten Machine-Learning-Prozess so zu operationalisieren, dass er reproduzierbar und wartbar ist.