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

Diese von einem Trainer geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene KI-Ingenieure und Datenwissenschaftler mit mittlerer bis fortgeschrittener Erfahrung, die die DeepSeek-Modellleistung verbessern, Latenzzeiten minimieren und KI-Lösungen mit modernen MLOps-Praktiken effizient einsetzen möchten.

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

• Optimieren von DeepSeek-Modellen hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit.
• Best Practices für MLOps und Modellversionierung zu implementieren.
• DeepSeek-Modelle in einer Cloud- und On-Premise-Infrastruktur bereitzustellen.
• KI-Lösungen effektiv zu überwachen, zu warten und zu skalieren.

DO180 ist eine Einführung in Container, Kubernetes-Grundlagen und Konzepte der Red Hat OpenShift-Plattform mit Fokus auf praktische Fähigkeiten.

Dieses von einem Dozenten geleitete Live-Training (online oder vor Ort) richtet sich an technische Fachkräfte vom Anfänger- bis zum Fortgeschrittenenniveau, die Workflows für Container, Kubernetes-Grundelemente und das Bereitstellen und Betreiben von Anwendungen auf OpenShift erlernen möchten.

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

• Containerimages und Registries mit bewährten Praktiken für Wiederholbarkeit und Sicherheit zu erstellen und zu verwalten.
• Kubernetes-Objekte wie Pods, Deployments und Services in OpenShift bereitzustellen und zu verwalten.
• OpenShift-Funktionen wie Routes, BuildConfigs und die Webkonsole zu nutzen, um den Anwendungsbereitstellungsvorgang zu vereinfachen.
• Persistente Speicherung, Konfigurationsmanagement und Secrets-Handling für stateful Workloads zu implementieren.
• Grundlegende Sicherheits-, RBAC- und Überwachungspraktiken anzuwenden, um gesunde Cluster und Anwendungen aufrechtzuerhalten.

Kursformat

• Interaktive Vorlesung und Diskussion.
• Tägliche praktische Übungen in einer lebendigen OpenShift-Umgebung.
• Szenariobasierte Übungen und Troubleshooting-Workshops.

Kursanpassungsoptionen

• Um ein angepasstes Training für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Absprache.

Dieses von einem Dozenten geleitete, Live-Training in Österreich (online oder vor Ort) richtet sich an Ingenieure, die Helm nutzen möchten, um den Prozess des Installierens und Verwaltens von Kubernetes-Anwendungen zu vereinfachen.

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

• Helm zu installieren und zu konfigurieren.
• Wiederholbare Builds von Kubernetes-Anwendungen zu erstellen.
• Anwendungen als Helm-Charts zu teilen.
• Drittanbieteranwendungen, die als Helm-Charts gespeichert sind, auszuführen.
• Realeases von Helm-Paketen zu verwalten.

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 von einem Kursleiter geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an Anfänger bis fortgeschrittene Softwareentwickler und DevOps Fachleute, die lernen möchten, wie man eine lokale Kubernetes Umgebung mit Minikube einrichtet und verwaltet.

Am Ende dieses Kurses 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 bereitstellen und verwalten.
• Persistente Speicher- und Netzwerklösungen für Kubernetes einrichten.
• Minikube für die Entwicklung, das Testen und das Debuggen von Anwendungen nutzen.

Diese Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Entwickler und DevOps-Ingenieure, die Minikube als Teil ihres Entwicklungsworkflows nutzen möchten.

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

• Eine lokale Kubernetes Umgebung mit Minikube einzurichten und zu verwalten.
• Verstehen, wie man Anwendungen auf Minikube einsetzt, verwaltet und debuggt.
• Minikube in ihre Continuous Integration und Deployment Pipelines zu integrieren.
• Ihren Entwicklungsprozess mit Hilfe der fortgeschrittenen Funktionen von Minikube zu optimieren.
• Best Practices für die lokale Kubernetes Entwicklung anwenden.

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.