Kubeflow on AWS Schulung

Diese von einem Trainer geleitete Live-Schulung in Deutschland (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:

• Implementierung von CloudFormation-Vorlagen zur Automatisierung der Infrastrukturverwaltung.
• Vorhandene AWS-Ressourcen in CloudFormation zu integrieren.
• StackSets verwenden, um Stacks über mehrere Konten und Regionen hinweg zu verwalten.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (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.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (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,:

• die notwendige Entwicklungsumgebung einzurichten, um mit der Integration von Daten in DynamoDB zu beginnen.
• DynamoDB in Webanwendungen und mobile Anwendungen zu integrieren.
• Daten in AWS mit AWS-Services bewegen.
• Operationen mit AWS DAX implementieren.

Diese von einem Ausbilder geleitete Live-Schulung in Deutschland (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.

Diese von einem Kursleiter geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler, die AWS IoT 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 von einem Trainer geleitete Live-Schulung in Deutschland (vor Ort oder aus der Ferne) richtet sich an Entwickler, die AWS Lambda nutzen möchten, um Dienste und Anwendungen in der Cloud zu erstellen und bereitzustellen, ohne sich um die Bereitstellung der Ausführungsumgebung (Server, VMs und Container, Verfügbarkeit, Skalierbarkeit, Speicher usw.) kümmern zu müssen.

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

• Konfigurieren Sie AWS Lambda, um eine Funktion auszuführen.
• FaaS (Functions as a Service) und die Vorteile der serverlosen Entwicklung zu verstehen.
• AWS Lambda-Funktionen erstellen, hochladen und ausführen.
• Lambda-Funktionen mit verschiedenen Ereignisquellen integrieren.
• Lambda-basierte Anwendungen zu verpacken, bereitzustellen, zu überwachen und Fehler zu beheben.

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 „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 in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die ihr Verständnis von DevOps-Praktiken vertiefen und die Entwicklungsprozesse mit AWS Cloud9 optimieren möchten.

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

• AWS Cloud9 für DevOps-Workflows einrichten und konfigurieren.
• Implementierung von Pipelines für kontinuierliche Integration und kontinuierliche Bereitstellung (CI/CD).
• Automatisieren von Test-, Überwachungs- und Bereitstellungsprozessen mit AWS Cloud9.
• Integrieren Sie AWS-Services wie Lambda, EC2 und S3 in DevOps-Arbeitsabläufe.
• Verwenden Sie Versionskontrollsysteme wie GitHub oder GitLab in AWS Cloud9.

Diese von einem Ausbilder geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Fachleute auf mittlerem Niveau, die lernen möchten, wie man effektiv serverlose Anwendungen auf AWS Cloud9 und AWS Lambda erstellt, bereitstellt und wartet.

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

• Die Grundlagen der serverlosen Architektur zu verstehen.
• AWS Cloud9 für die Entwicklung serverloser Anwendungen einrichten.
• Serverlose Anwendungen mit AWS Lambda entwickeln, testen und bereitstellen.
• Integrieren von AWS Lambda mit anderen AWS-Services wie API Gateway und S3.
• Optimieren Sie serverlose Anwendungen für Leistung und Kosteneffizienz.

Zusammenfassung:

• Grundlagen der IoT-Architektur und -Funktionen
• "Dinge", "Sensoren", Internet und die Abbildung zwischen den Geschäftsfunktionen des IoT
• Das Wesentliche aller IoT-Softwarekomponenten - Hardware, Firmware, Middleware, Cloud und mobile App
• IoT-Funktionen - Flottenmanager, Datenvisualisierung, SaaS-basiertes FM und DV, Alarmierung, Sensor-Onboarding, "Ding"-Onboarding, Geo-Fencing
• Grundlagen der Kommunikation von IoT-Geräten mit der Cloud mit MQTT.
• Anbindung von IoT-Geräten an AWS mit MQTT (AWS IoT Core).
• Verbindung des AWS IoT-Kerns mit der AWS Lambda-Funktion für Berechnungen und Datenspeicherung.
• Verbindung von Raspberry PI mit AWS IoT-Kern und einfacher Datenkommunikation.
• Alarme und Ereignisse
• Sensor-Kalibrierung

Zusammenfassung:

• Grundlagen der IoT-Architektur und -Funktionen
• "Dinge", "Sensoren", Internet und die Abbildung zwischen den Geschäftsfunktionen des IoT
• Wesentliche Bestandteile aller IoT-Softwarekomponenten - Hardware, Firmware, Middleware, Cloud und mobile App
• IoT-Funktionen - Flottenmanager, Datenvisualisierung, SaaS-basiertes FM und DV, Alarmierung, Sensor-Onboarding, "Ding"-Onboarding, Geo-Fencing
• Grundlagen der Kommunikation von IoT-Geräten mit der Cloud mit MQTT.
• Anbindung von IoT-Geräten an AWS mit MQTT (AWS IoT Core).
• Verbindung des AWS IoT-Kerns mit der AWS Lambda-Funktion für Berechnungen und Datenspeicherung mit DynamoDB.
• Verbindung von Raspberry PI mit AWS IoT-Kern und einfacher Datenkommunikation.
• Praktische Übungen mit Raspberry PI und AWS IoT Core, um ein intelligentes Gerät zu bauen.
• Visualisierung von Sensordaten und Kommunikation mit Webinterface.

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 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 von einem Ausbilder geleitete Live-Schulung in Deutschland (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,:

• Verschiedene MLOps-Frameworks und -Tools zu installieren und zu konfigurieren.
• Das richtige Team mit den richtigen Fähigkeiten für den Aufbau und die Unterstützung eines MLOps-Systems zusammenzustellen.
• Daten für die Verwendung durch ML-Modelle vorzubereiten, zu validieren und zu versionieren.
• Verstehen der Komponenten einer ML-Pipeline und der für den Aufbau einer solchen benötigten Werkzeuge.
• Experimentieren mit verschiedenen Frameworks für maschinelles Lernen und Servern für den Einsatz in der Produktion.
• Operationalisierung des gesamten Machine Learning Prozesses, so dass er reproduzierbar und wartbar ist.

Diese von einem Ausbilder geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure für maschinelles Lernen, die Azure Machine Learning und Azure DevOps zur Erleichterung von MLOps Praktiken nutzen möchten.

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

• Reproduzierbare Arbeitsabläufe und Modelle für maschinelles Lernen zu erstellen.
• Den Lebenszyklus des maschinellen Lernens zu verwalten.
• Modellversionshistorie, Assets und mehr zu verfolgen und zu melden.
• Produktionsfähige Machine-Learning-Modelle überall bereitstellen.